FullModelMetaCheckpointer

class torchtune.training.FullModelMetaCheckpointer(checkpoint_dir: str, checkpoint_files: List[str], model_type: ModelType, output_dir: str, adapter_checkpoint: Optional[str] = None, recipe_checkpoint: Optional[str] = None, resume_from_checkpoint: bool = False)

检查点器，它以 Meta 格式读取和写入检查点。示例包括来自 meta-llama 存储库 (https://hugging-face.cn/meta-llama/Llama-2-7b) 的 Llama-2-7b 模型。

目前，我们只支持从单个检查点文件读取。从分片检查点读取的支持正在开发中。

参数：:

• checkpoint_dir (str) – 包含检查点文件的目录

• checkpoint_files (List[str]) – 要加载的检查点文件列表。目前，此检查点器只支持加载单个检查点文件。

• model_type (ModelType) – 加载检查点器的模型的模型类型

• output_dir (str) – 保存检查点文件的目录

• adapter_checkpoint (Optional[str]) – 适配器权重的路径。默认值为 None

• recipe_checkpoint (Optional[str]) – 食谱状态检查点文件的路径。默认值为 None

• resume_from_checkpoint (bool) – 如果为 True，检查点器将加载其他检查点文件以从之前的运行恢复训练。默认值为 False

引发：:

• ValueError – 如果 checkpoint_files 不是长度为 1 的列表

• ValueError – 如果 resume_from_checkpoint 为 True 但 recipe_checkpoint 为 None

load_checkpoint() → Dict[str, Any]

从文件加载 Meta 检查点。目前只支持从单个文件加载。

save_checkpoint(state_dict: Dict[str, Any], epoch: int, intermediate_checkpoint: bool = False, adapter_only: bool = False) → None

将元检查点保存到文件。如果 intermediate_checkpoint 为 True，则会在 _output_dir 中创建一个额外的检查点文件 recipe_state.pt，其中包含配方状态。

参数：:

• state_dict (Dict[str, Any]) – 要写入文件的检查点状态字典

• epoch (int) – 轮次编号。用于创建检查点文件名

• intermediate_checkpoint (bool) – 如果为 True，则会创建配方状态和（如果适用）适配器权重的额外检查点文件。默认值为 False

• adapter_only (bool) – 如果为 True，则只保存适配器权重。默认值为 False

引发：:

ValueError – 如果 adapter_only 为 True 且在 state_dict 中找不到适配器检查点。