TRL documentation
Eğitimden sonra modeli kullanma
Eğitimden sonra modeli kullanma
Once you have trained a model using either the SFTTrainer or DPOTrainer, you will have a fine-tuned model that can be used for text generation. In this section, we’ll walk through the process of loading the fine-tuned model and generating text. If you need to run an inference server with the trained model, you can explore libraries such as text-generation-inference.
Yükle ve Üret
Bir modeli PEFT kullanmadan, tamamen ince ayarladıysanız, transformers içinde herhangi bir dil modeli gibi yükleyebilirsiniz:
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
model_name_or_path = "Qwen/Qwen3-0.6B" #path/to/your/model/or/name/on/hub
device = torch.accelerator.current_accelerator() if torch.accelerator.is_available() else "cpu"
model = AutoModelForCausalLM.from_pretrained(model_name_or_path).to(device)
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path)
inputs = tokenizer.encode("This movie was really", return_tensors="pt").to(device)
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))Alternatif olarak, pipeline'ı da kullanabilirsiniz:
from transformers import pipeline
model_name_or_path = "Qwen/Qwen3-0.6B" #path/to/your/model/or/name/on/hub
pipe = pipeline("text-generation", model=model_name_or_path)
print(pipe("This movie was really")[0]["generated_text"])Adapters PEFT'yi kullanın
from peft import PeftConfig, PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer
base_model_name = "Qwen/Qwen3-0.6B" #path/to/your/model/or/name/on/hub
adapter_model_name = "path/to/my/adapter"
model = AutoModelForCausalLM.from_pretrained(base_model_name)
model = PeftModel.from_pretrained(model, adapter_model_name)
tokenizer = AutoTokenizer.from_pretrained(base_model_name)Adaptörleri temel modele birleştirebilir ve modeli normal bir transformers modeli gibi kullanabilirsiniz; ancak kontrol noktası (checkpoint) önemli ölçüde daha büyük olacaktır:
model = AutoModelForCausalLM.from_pretrained(base_model_name)
model = PeftModel.from_pretrained(model, adapter_model_name)
model = model.merge_and_unload()
model.save_pretrained("merged_adapters")Model yüklendikten ve adaptörler birleştirildikten veya ayrı olarak üstte tutulduktan sonra, yukarıda belirtildiği gibi normal bir modelde olduğu gibi üretim çalıştırabilirsiniz.
Update on GitHub