当前位置：首页 > ai >正文

【AI】模型与权重的基本概念

ai 2025/5/9 9:00:55

在 ModelScope 平台上，「模型」和「权重」的定义与工程实践紧密结合，理解它们的区别需要从实际的文件结构和加载逻辑入手。以下是一个典型 ModelScope 模型仓库的组成及其概念解析：

1. ModelScope 模型仓库的典型结构

以 deepseek-ai/deepseek-llm-7b-base 为例，模型仓库通常包含以下文件：

bash

复制

下载

Deepseek-R1-bf16-hfd-w8a8/
├── config.json                # 模型结构定义与超参数
├── configuration_deepseek.py  # 模型结构代码（PyTorch/TF定义）
├── modeling_deepseek.py       # 核心网络层实现
├── tokenizer.json             # 分词器配置
├── generation_config.json     # 生成参数（如温度、top_p）
├── pytorch_model.safetensors  # 模型权重（以安全格式存储）
├── special_tokens_map.json    # 特殊token映射
└── README.md                  # 使用说明

2. 核心概念详解

(1) 模型（Model）

定义：模型是一个完整的、可执行的函数系统，包含：
- 结构定义（代码层）：网络层设计（如Transformer层数、注意力头数）、激活函数、连接方式等；
- 权重参数（数值层）：训练后确定的参数值；
- 配置与工具（辅助层）：分词器、生成策略、硬件适配逻辑。
功能：接受输入（如文本）→ 执行计算 → 输出预测结果（如生成文本）。

(2) 权重（Weights）

定义：模型在训练过程中学习到的参数数值，存储为张量（Tensor）形式，决定模型的具体行为。
物理存在：通常以 .safetensors、.bin 或 .pth 文件存储；
作用：权重是模型的“记忆”，例如：
- 在 LLM 中，权重编码了词语的语义关联（如“猫→动物，4条腿”）；
- 在视觉模型中，权重可能对应边缘检测滤波器或纹理模式识别器。

3. 模型与权重的加载流程

在 ModelScope 中，用户通过以下代码加载模型：

python

复制

下载

from modelscope import AutoModelForCausalLM, AutoTokenizer# 加载完整模型（结构+权重+配置）
model = AutoModelForCausalLM.from_pretrained("deepseek-ai/deepseek-llm-7b-base")
tokenizer = AutoTokenizer.from_pretrained("deepseek-ai/deepseek-llm-7b-base")# 使用模型生成文本
inputs = tokenizer("你好，世界", return_tensors="pt")
outputs = model.generate(**inputs)
print(tokenizer.decode(outputs[0]))

背后发生的关键步骤：

解析 config.json：确定模型结构（如 hidden_size=4096, num_layers=32）；
执行 modeling_deepseek.py：动态构建 PyTorch/TensorFlow 计算图；
加载 pytorch_model.safetensors：将权重数值填充到计算图的对应位置；
集成 tokenizer.json：处理输入文本的切分与编码。

4. 为何需要区分“模型”与“权重”？

(1) 技术必要性

代码与数据分离：
- 模型结构是算法设计（人类可读的代码）；
- 权重是训练结果（机器可读的数值）；
- 分离后，开发者可以复用同一结构加载不同权重（如微调后的版本）。
硬件与框架适配：
- 同一组权重（如 .safetensors）可被 PyTorch、TensorFlow 或昇腾框架加载；
- 模型结构可能需要针对不同框架调整（如动态图 vs 静态图）。

(2) 工程实践场景

场景	模型文件需求	权重文件需求
训练	需完整结构代码 + 随机初始化的权重	权重在训练中逐步更新
推理	可仅加载最终权重 + 固定结构（如 ONNX 导出）	需量化/剪枝后的权重
迁移学习	复用原始结构代码	加载预训练权重后微调