12 KiB

Raw Permalink Blame History

インストール

使用しているDeep Learningライブラリに対して、🤗 Transformersをインストールしてキャッシュを設定、そしてオプションでオフラインで実行できるように 🤗 Transformersを設定します。

🤗 TransformersはPython 3.6+, PyTorch 1.1.0+, TensorFlow 2.0+, Flaxで動作確認しています。使用しているDeep Learningライブラリに合わせて、以下のインストール方法に従ってください:

PyTorchのインストール手順。
TensorFlow 2.0のインストール手順。
Flaxのインストール手順。

pipでのインストール

🤗 Transformersを仮想環境にインストールする必要があります。もし、Pythonの仮想環境に馴染みがない場合は、このガイドをご覧ください。仮想環境によって異なるプロジェクトの管理がより簡単になり、依存関係間の互換性の問題を回避できます。

まず、プロジェクトディレクトリに仮想環境を作成することから始めましょう:

python -m venv .env

仮想環境を起動しましょう。LinuxとMacOsの場合は以下のコマンドで起動します:

source .env/bin/activate

Windowsで仮想環境を起動します

.env/Scripts/activate

これで、次のコマンドで🤗 Transformersをインストールする準備が整いました:

pip install transformers

CPU対応のみ必要な場合、🤗 TransformersとDeep Learningライブラリを1行でインストールできるようになっていて便利です。例えば、🤗 TransformersとPyTorchを以下のように一緒にインストールできます:

pip install transformers[torch]

🤗 TransformersとTensorFlow 2.0:

pip install transformers[tf-cpu]

🤗 TransformersとFlax:

pip install transformers[flax]

最後に、以下のコマンドを実行することで🤗 Transformersが正しくインストールされているかを確認します。学習済みモデルがダウンロードされます:

python -c "from transformers import pipeline; print(pipeline('sentiment-analysis')('we love you'))"

その後、ラベルとスコアが出力されます:

[{'label': 'POSITIVE', 'score': 0.9998704791069031}]

ソースからのインストール

以下のコマンドでソースから🤗 Transformersをインストールします:

pip install git+https://github.com/huggingface/transformers

このコマンドは最新の安定版ではなく、開発における最新のmainバージョンをインストールします。mainバージョンは最新の開発状況に対応するのに便利です。例えば、最後の公式リリース以降にバグが修正されたが、新しいリリースがまだ展開されていない場合などです。しかし、これはmainバージョンが常に安定しているとは限らないことを意味します。私たちはmainバージョンの運用を維持するよう努め、ほとんどの問題は通常、数時間から1日以内に解決されます。もし問題に遭遇した場合は、より早く修正できるようにIssueを作成してください！

以下のコマンドを実行して、🤗 Transformersが正しくインストールされているかどうかを確認します:

python -c "from transformers import pipeline; print(pipeline('sentiment-analysis')('I love you'))"

編集可能なインストール

必要に応じて、編集可能なインストールをします:

ソースコードのmainバージョンを使います。
🤗 Transformersにコントリビュートし、コードの変更をテストする必要があります。

以下のコマンドでレポジトリをクローンして、🤗 Transformersをインストールします:

git clone https://github.com/huggingface/transformers.git
cd transformers
pip install -e .

上記のコマンドは、レポジトリをクローンしたフォルダとPythonのライブラリをパスをリンクします。Pythonは通常のライブラリパスに加えて、あなたがクローンしたフォルダの中も見るようになります。例えば、Pythonパッケージが通常、~/anaconda3/envs/main/lib/python3.7/site-packages/にインストールされている場合、Pythonはクローンしたフォルダも検索するようになります: ~/transformers/.

ライブラリーを使い続けたい場合は、transformersフォルダーを保持しつづける必要があります。

これで、次のコマンドで簡単にクローンを🤗 Transformersの最新版に更新できます:

cd ~/transformers/
git pull

Python環境は次回の実行時に🤗 Transformersのmainバージョンを見つけるようになります。

condaでのインストール

conda-forgeのcondaチャンネルからインストールします:

conda install conda-forge::transformers

キャッシュの設定

学習済みモデルはダウンロードされ、ローカルにキャッシュされます: ~/.cache/huggingface/hub. これはシェル環境変数TRANSFORMERS_CACHEで指定されるデフォルトのディレクトリです。Windowsでは、デフォルトのディレクトリはC:\Users\username\.cache\huggingface\hubになっています。異なるキャッシュディレクトリを指定するために、以下のシェル環境変数を変更することが可能です。優先度は以下の順番に対応します:

シェル環境変数 (デフォルト): HUGGINGFACE_HUB_CACHE または TRANSFORMERS_CACHE.
シェル環境変数: HF_HOME.
シェル環境変数: XDG_CACHE_HOME + /huggingface.

もし、以前のバージョンのライブラリを使用していた人で、PYTORCH_TRANSFORMERS_CACHEまたはPYTORCH_PRETRAINED_BERT_CACHEを設定していた場合、シェル環境変数TRANSFORMERS_CACHEを指定しない限り🤗 Transformersはこれらのシェル環境変数を使用します。

オフラインモード

🤗 Transformersはローカルファイルのみを使用することでファイアウォールやオフラインの環境でも動作させることができます。この動作を有効にするためには、環境変数HF_HUB_OFFLINE=1を設定します。

環境変数HF_DATASETS_OFFLINE=1を設定し、オフライントレーニングワークフローに🤗 Datasetsを追加します。

例えば、外部インスタンスに対してファイアウォールで保護された通常のネットワーク上でプログラムを実行する場合、通常以下のようなコマンドで実行することになります:

python examples/pytorch/translation/run_translation.py --model_name_or_path google-t5/t5-small --dataset_name wmt16 --dataset_config ro-en ...

オフラインインスタンスでこの同じプログラムを実行します:

HF_DATASETS_OFFLINE=1 HF_HUB_OFFLINE=1 \
python examples/pytorch/translation/run_translation.py --model_name_or_path google-t5/t5-small --dataset_name wmt16 --dataset_config ro-en ...

このスクリプトは、ローカルファイルのみを検索することが分かっているので、ハングアップしたりタイムアウトを待ったりすることなく実行されるはずです。

オフラインで使用するためにモデルやトークナイザーを取得する

オフラインで🤗 Transformersを使用するもう1つの方法は、前もってファイルをダウンロードしておき、オフラインで使用する必要があるときにそのローカルパスを指定することです。これには3つの方法があります:

Model Hubのユーザーインターフェース上から↓アイコンをクリックしてファイルをダウンロードする方法。

[PreTrainedModel.from_pretrained]および[PreTrainedModel.save_pretrained]のワークフローを使用する方法:

[PreTrainedModel.from_pretrained]で前もってファイルをダウンロードします:

>>> from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

>>> tokenizer = AutoTokenizer.from_pretrained("bigscience/T0_3B")
>>> model = AutoModelForSeq2SeqLM.from_pretrained("bigscience/T0_3B")

[PreTrainedModel.save_pretrained]で指定されたディレクトリにファイルを保存しておきます:

>>> tokenizer.save_pretrained("./your/path/bigscience_t0")
>>> model.save_pretrained("./your/path/bigscience_t0")

オフラインにある時、[PreTrainedModel.from_pretrained]に指定したディレクトリからファイルをリロードします:

>>> tokenizer = AutoTokenizer.from_pretrained("./your/path/bigscience_t0")
>>> model = AutoModel.from_pretrained("./your/path/bigscience_t0")

プログラム的にhuggingface_hubライブラリを用いて、ファイルをダウンロードする方法:
1. 仮想環境にhuggingface_hubライブラリをインストールします:
```
python -m pip install huggingface_hub
```
1. 指定のパスにファイルをダウンロードするために、hf_hub_download関数を使用します。例えば、以下のコマンドで、T0モデルのconfig.jsonファイルを指定のパスにダウンロードできます:
```
>>> from huggingface_hub import hf_hub_download

>>> hf_hub_download(repo_id="bigscience/T0_3B", filename="config.json", cache_dir="./your/path/bigscience_t0")
```

ファイルがダウンロードされ、ローカルにキャッシュされたら、そのローカルパスを指定してファイルをロードして使用します:

>>> from transformers import AutoConfig

>>> config = AutoConfig.from_pretrained("./your/path/bigscience_t0/config.json")

Hubに保存されているファイルをダウンロードする方法の詳細については、How to download files from the Hubセクションを参照してください。

12 KiB Raw Permalink Blame History