Rwkv Raven 7b

🚀 RWKV-4 | 7B參數聊天版本（Raven）模型卡片

RWKV是由 Bo Peng 領導的項目。你可以通過Johan Wind的博客文章 此處 和 此處 瞭解更多關於該模型架構的信息。還可以通過加入 RWKV Discord服務器 深入瞭解該項目。

🚀 快速開始

數據集

• EleutherAI/pile

內容目錄

0. 簡要說明
1. 模型詳情
2. 使用方法
3. 引用說明

✨ 主要特性

以下是來自 原倉庫 的描述：

RWKV是一種具有Transformer級大型語言模型性能的循環神經網絡（RNN）。它可以像GPT一樣直接進行訓練（可並行化）。它結合了RNN和Transformer的優點 —— 性能出色、推理速度快、節省顯存、訓練速度快、具有“無限”上下文長度，並且能免費生成句子嵌入。

📚 詳細文檔

模型詳情

架構的詳細信息可以在上述博客文章以及Hugging Face的集成博客文章中找到。

使用方法

將原始權重轉換為Hugging Face格式

你可以使用 convert_rwkv_checkpoint_to_hf.py 腳本，通過指定原始權重的倉庫ID、文件名和輸出目錄來進行轉換。你還可以選擇通過傳遞 --push_to_hub 標誌和 --model_name 參數，直接將轉換後的模型推送到Hugging Face Hub，並指定推送轉換後權重的位置。

python convert_rwkv_checkpoint_to_hf.py --repo_id RAW_HUB_REPO --checkpoint_file RAW_FILE --output_dir OUTPUT_DIR --push_to_hub --model_name dummy_user/converted-rwkv

生成文本

你可以使用 AutoModelForCausalLM 和 AutoTokenizer 類從模型生成文本。展開以下部分，瞭解如何在不同場景下運行模型： “Raven” 模型需要以特定方式進行提示，更多信息請參考 集成博客文章。

基礎用法

在CPU上運行模型

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("RWKV/rwkv-raven-7b")
tokenizer = AutoTokenizer.from_pretrained("RWKV/rwkv-raven-7b")

prompt = "\nIn a shocking finding, scientist discovered a herd of dragons living in a remote, previously unexplored valley, in Tibet. Even more surprising to the researchers was the fact that the dragons spoke perfect Chinese."

inputs = tokenizer(prompt, return_tensors="pt")
output = model.generate(inputs["input_ids"], max_new_tokens=40)
print(tokenizer.decode(output[0].tolist(), skip_special_tokens=True))

高級用法

• 在單個GPU上運行模型

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("RWKV/rwkv-raven-7b").to(0)
tokenizer = AutoTokenizer.from_pretrained("RWKV/rwkv-raven-7b")

prompt = "\nIn a shocking finding, scientist discovered a herd of dragons living in a remote, previously unexplored valley, in Tibet. Even more surprising to the researchers was the fact that the dragons spoke perfect Chinese."

inputs = tokenizer(prompt, return_tensors="pt").to(0)
output = model.generate(inputs["input_ids"], max_new_tokens=40)
print(tokenizer.decode(output[0].tolist(), skip_special_tokens=True))

• 在GPU上以半精度運行模型

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("RWKV/rwkv-raven-7b", torch_dtype=torch.float16).to(0)
tokenizer = AutoTokenizer.from_pretrained("RWKV/rwkv-raven-7b")

prompt = "\nIn a shocking finding, scientist discovered a herd of dragons living in a remote, previously unexplored valley, in Tibet. Even more surprising to the researchers was the fact that the dragons spoke perfect Chinese."

inputs = tokenizer(prompt, return_tensors="pt").to(0)
output = model.generate(inputs["input_ids"], max_new_tokens=40)
print(tokenizer.decode(output[0].tolist(), skip_special_tokens=True))

• 在多個GPU上運行模型

# pip install accelerate
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("RWKV/rwkv-raven-7b", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("RWKV/rwkv-raven-7b")

prompt = "\nIn a shocking finding, scientist discovered a herd of dragons living in a remote, previously unexplored valley, in Tibet. Even more surprising to the researchers was the fact that the dragons spoke perfect Chinese."

inputs = tokenizer(prompt, return_tensors="pt").to(0)
output = model.generate(inputs["input_ids"], max_new_tokens=40)
print(tokenizer.decode(output[0].tolist(), skip_special_tokens=True))

📄 許可證

引用說明

如果你使用此模型，請考慮引用原倉庫 此處 的原始工作。