前言
我们使用 Git LFS 和 wget 结合的方法，小文件使用 Git 下载，大文件使用 wget 下载
Git 下载的优缺点：
优点：相当简单
缺点：不支持断点续传
直接 wegt 下载比较稳定，但是欠缺优雅
我们可以将这两种方法进行结合
下载教程
模型选择上，我这里选择的模型为镜像站上的 gradientai/Llama-3-8B-Instruct-262k · HF Mirror
大家也可以自行选择想要的模型
首先下载模型文件中较小的那些部分（跳过使用 GIT LFS 的大文件）
GIT_LFS_SKIP_SMUDGE=1 git clone https://hf-mirror.com/gradientai/Llama-3-8B-Instruct-262k
输出如下，成功下载了这些部分，速度很快
点击任意一个模型文件，里面的内容是类似这样的东西：
version https://git-lfs.github.com/spec/v1
oid sha256:7432c5d8273697c39adbb717988938009d9391e1224403495afbbaaa5cea401c
size 4999802720
这不是模型文件，而是一个类似于指针的东西，用于后续使用 GIT LFS 拉取下载，我们将这几个统统删除。
编写 shell 脚本文件来下载模型部分
大家可以直接用我这个脚本，两个命令行参数代表模型名称和总文件个数
#!/bin/bash# 检查是否提供了正确数量的参数
if [ "$#" -ne 2 ]; thenecho "Usage: $0 <model_name> <total_models>"exit 1
fi# 解析命令行参数
model_name="$1"
total_models="$2"# 循环下载每个模型文件
for ((i=1; i<=$total_models; i++)); do# 构建文件名model_file="$(printf "%s/resolve/main/model-%05d-of-%05d.safetensors" "$model_name" "$i" "$total_models")"# 构建下载链接download_link="<https://hf-mirror.com/$model_file>"# 启动下载任务wget -b "$download_link" -O "$(basename "$model_file")"
doneecho "Downloads started in background."
将文件放在和模型同级的目录下（重要），然后启动该脚本
cd Llama-3-8B-Instruct-262k/
bash download_model.sh gradientai/Llama-3-8B-Instruct-262k 4
输出如下：
可以看到目录里面多了这些文件，此时模型已经在下载了，而且是同时下载
速度还是很快的，而且几乎是同时下载：
这是其中一个日志文件的结尾，由于这四个文件是同时下载的，所以五六分钟，模型就下载好了。
4859800K .......... .......... .......... .......... .......... 99% 19.3M 0s
4859850K .......... .......... .......... .......... .......... 99% 18.1M 0s
4859900K .......... .......... .......... .......... .......... 99% 23.1M 0s
4859950K .......... .......... .......... .......... .......... 99% 30.9M 0s
4860000K .......... .......... .......... .......... .......... 99% 19.6M 0s
4860050K ....... 100% 22.7M=4m58s2024-05-07 17:15:26 (15.9 MB/s) - ‘model-00001-of-00004.safetensors’ saved [4976698672/4976698672]
我们编写代码，用下这个模型试试：
import transformers
import torchmodel_id = "/root/autodl-tmp/models/Llama-3-8B-Instruct-262k"pipeline = transformers.pipeline("text-generation",model=model_id,model_kwargs={"torch_dtype": torch.bfloat16},device_map="auto",
)messages = [{"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},{"role": "user", "content": "Who are you?"},
]prompt = pipeline.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True
)terminators = [pipeline.tokenizer.eos_token_id,pipeline.tokenizer.convert_tokens_to_ids("<|eot_id|>")
]outputs = pipeline(prompt,max_new_tokens=256,eos_token_id=terminators,do_sample=True,temperature=0.6,top_p=0.9,
)
print(outputs[0]["generated_text"][len(prompt):])
模型输出如下，没啥子问题：
