File size: 1,720 Bytes
a08b37b f4eb500 a08b37b df2ac6f 8046c58 a08b37b 2c51c74 a08b37b 7611348 a08b37b 8fe07ae a08b37b 8fe07ae 7611348 8fe07ae 7611348 8fe07ae 2c51c74 8fe07ae |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 |
from transformers import LlamaForCausalLM, LlamaTokenizer
import torch
import os
# Отримуємо токен із змінної середовища
hf_token = os.getenv("HF_API_TOKEN")
if not hf_token:
raise ValueError("HF_API_TOKEN environment variable is not set")
# Шлях до файлу моделі
model_path = "path_to_downloaded_model/consolidated.00.pth" # Вкажіть правильний шлях
# Завантажуємо токенізатор
tokenizer = LlamaTokenizer.from_pretrained("meta-llama/Llama-2-7b-chat", token=hf_token)
# Завантажуємо модель з файлу
model = LlamaForCausalLM.from_pretrained(
model_path,
config="path_to_model/config.json", # Якщо є конфігураційний файл
torch_dtype=torch.float32, # Використання full precision для CPU
device_map="auto" # Для автоматичного розподілу на доступні пристрої
)
# Тестове введення
input_text = "Hello, how can I assist you today?"
inputs = tokenizer(input_text, return_tensors="pt")
# Генерація тексту
output = model.generate(
inputs["input_ids"],
max_length=50, # Максимальна довжина відповіді
num_return_sequences=1, # Кількість відповідей
do_sample=True, # Випадкове семплування для різноманіття
temperature=0.7 # Регулювання "креативності"
)
# Декодуємо та виводимо результат
decoded_output = tokenizer.decode(output[0], skip_special_tokens=True)
print(f"\nВідповідь моделі: {decoded_output}")
|