来源:
https://blog.ngxson.com/common-ai-model-formats
过去两年，开源 AI 社区一直在热烈讨论新 AI 模型的开发。每天都有越来越多的模型在
在本文中，我们将探讨当下常见的 AI 模型格式，包括:
-
GGUF -
PyTorch -
Safetensors -
ONNX
我们将分析每种格式的 优缺点，并提供 使用建议，帮助你选择最适合的格式。
GGUF
GGUF 最初是为
随着时间的推移，GGUF 已成为开源社区中共享 AI 模型最流行的格式之一。它得到了许多知名推理运行时的支持，包括
-
llama.cpp https://github.com/ggml-org/llama.cpp -
ollama https://ollama.com/ -
vLLM https://github.com/vllm-project/vllm
目前，GGUF 主要用于语言模型。虽然也可以将其用于其他类型的模型，例如通过
GGUF 文件包含以下部分:
-
一个以键值对组织的元数据部分。该部分包含有关模型的信息，例如其架构、版本和超参数。 -
一个张量元数据部分。该部分包括模型中张量的详细信息，例如它们的形状、数据类型和名称。 -
最后，一个包含张量数据本身的部分。
Diagram by
GGUF 格式和 GGML 库还提供了灵活的 量化方案，能够在保持良好精度的同时实现高效的模型存储。一些最常见的量化方案包括:
-
Q4_K_M: 大多数张量被量化为 4 位，部分张量被量化为 6 位。这是最常用的量化方案。 -
IQ4_XS: 几乎所有张量都被量化为 4 位，但借助重要性矩阵。该矩阵用于校准每个张量的量化，可能在保持存储效率的同时提高精度。 -
IQ2_M: 类似于IQ4_XS，但使用 2 位量化。这是最激进的量化方案，但在某些模型上仍能实现良好的精度。它适用于内存非常有限的硬件。 -
Q8_0: 所有张量都被量化为 8 位。这是最不激进的量化方案，提供几乎与原始模型相同的精度。
GGUF 格式的 Llama-3.1 8B 模型示例，链接
让我们回顾一下 GGUF 的优缺点:
优点:
-
简单: 单文件格式易于共享和分发。 -
快速: 通过与 mmap()的兼容性实现模型的快速加载和保存。 -
高效: 提供灵活的量化方案。 -
便携: 作为一种二进制格式，无需特定库即可轻松读取。
缺点:
-
大多数模型需要从其他格式 (如 PyTorch、Safetensors) 转换为 GGUF。 -
并非所有模型都可转换。部分模型不受 llama.cpp 支持。 -
模型保存为 GGUF 格式后，修改或微调并不容易。
GGUF 主要用于生产环境中的 模型服务，其中快速加载时间至关重要。它也用于开源社区内的 模型共享，因为其格式简单，便于分发。
有用资源:
-
llama.cpp 项目，提供了将 HF 模型转换为 GGUF 的脚本。https://github.com/ggml-org/llama.cpp -
gguf-my-repo 空间允许在不下载到本地的情况下将模型转换为 GGUF 格式。https://hf.co/spaces/ggml-org/gguf-my-repo -
ollama 和HF-ollama 集成 支持通过ollama run命令运行 HF Hub 上的任何 GGUF 模型。https://ollama.com/ https://hf.co/docs/hub/en/ollama
PyTorch (.pt/.pth)
.pt/.pth 扩展名代表 PyTorch 的默认序列化格式，存储包含学习参数 (权重、偏置) 、优化器状态和训练元数据的模型状态字典。
PyTorch 模型可以保存为两种格式:
-
.pt : 此格式保存整个模型，包括其架构和学习参数。 -
.pth : 此格式仅保存模型的状态字典，其中包括模型的学习参数和一些元数据。
PyTorch 格式基于 Python 的pickle 的工作原理，让我们看以下示例:
import pickle
model_state_dict = { "layer1": "hello", "layer2": "world" }
pickle.dump(model_state_dict, open("model.pkl", "wb"))
The pickle.dump() 函数将 model_state_dict 字典序列化并保存到名为 model.pkl 的文件中。输出文件现在包含字典的二进制表示:
要将序列化的字典加载回 Python，我们可以使用 pickle.load() 函数:
import pickle
model_state_dict = pickle.load(open("model.pkl", "rb"))
print(model_state_dict)
# Output: {'layer1': 'hello', 'layer2': 'world'}
如你所见，pickle 模块提供了一种简单的方法来序列化 Python 对象。然而，它也有一些局限性：
-
安全性: 任何东西都可以被 pickle，包括恶意代码。如果序列化数据未经过适当验证，这可能会导致安全漏洞。例如，Snyk 的这篇文章解释了 pickle 文件如何被植入后门 。https://snyk.io/articles/python-pickle-poisoning-and-backdooring-pth-files/ -
效率: 它不支持延迟加载或部分数据加载。这可能导致在处理大型模型时 加载速度慢 和 内存使用率高。 -
可移植性: 它是特定于 Python 的，这使得与其他语言共享模型变得具有挑战性。
如果你仅在 Python 和 PyTorch 环境中工作，PyTorch 格式可能是一个合适的选择。然而，近年来，AI 社区一直在转向更高效和安全的序列化格式，例如 GGUF 和 Safetensors。
有用资源:
-
PyTorch 文档 关于保存和加载模型。https://pytorch.org/docs/stable/generated/torch.save.html -
executorch 项目，提供了一种将 PyTorch 模型转换为.pte的方法，这些模型可在移动和边缘设备上运行。https://github.com/pytorch/executorch
Safetensors
由 Hugging Face 开发的pickle) 中存在的安全性和效率问题。该格式使用受限的反序列化过程来防止代码执行漏洞。
一个 safetensors 文件包含:
-
以 JSON 格式保存的元数据部分。该部分包含模型中所有张量的信息，例如它们的形状、数据类型和名称。它还可以选择性地包含自定义元数据。 -
张量数据部分。
Safetensors 格式结构图
优点:
-
安全: Safetensors 采用受限的反序列化过程来防止代码执行漏洞。 -
快速: 它支持延迟加载和部分数据加载，从而可以加快加载速度并降低内存使用率。这与 GGUF 类似，你可以使用 mmap()映射文件。 -
高效: 支持量化张量。 -
可移植：它设计为跨编程语言可移植，使得与其他语言共享模型变得容易。
缺点:
-
量化方案不如 GGUF 灵活。这主要是由于 PyTorch 提供的量化支持有限。 -
需要 JSON 解析器来读取元数据部分。这在处理像 C++ 这样的低级语言时可能会出现问题，因为这些语言没有内置的 JSON 支持。
注意：虽然在理论上元数据可以保存在文件中，但在实践中，模型元数据通常存储在一个单独的 JSON 文件中。这既可能是优点也可能是缺点，具体取决于使用场景。
safetensors 格式是 Hugging Face 的
有用资源：
-
transformers 库关于保存和加载模型的文档。https://hf.co/docs/transformers/quicktour -
bitsandbytes 指南 关于如何量化模型并将其保存为 safetensors 格式。https://hf.co/docs/transformers/en/quantization/bitsandbytes -
mlx-community 组织在 HF 上提供与 MLX 框架 (Apple 芯片) 兼容的模型。https://hf.co/mlx-community
ONNX
开放神经网络交换 (Open Neural Network Exchange，ONNX) 格式提供了一种与供应商无关的机器学习模型表示方法。它是
ONNX 模型以 .onnx 扩展名的单个文件保存。与 GGUF 或 Safetensors 不同，ONNX 不仅包含模型的张量和元数据，还包含模型的 计算图 。
在模型文件中包含计算图使得在处理模型时具有更大的灵活性。例如，当发布新模型时，你可以轻松地将其转换为 ONNX 格式，而无需担心模型的架构或推理代码，因为计算图已经保存在文件中。
ONNX 格式的计算图示例，由
优点:
-
灵活性: 在模型文件中包含计算图使得在不同框架之间转换模型时更加灵活。 -
可移植性: 得益于 ONNX 生态系统，ONNX 格式可以轻松部署在各种平台和设备上，包括移动设备和边缘设备。
缺点:
-
对量化张量的支持有限。ONNX 本身不支持量化张量，而是将它们分解为整数张量和比例因子张量。这可能导致在处理量化模型时质量下降。 -
复杂架构可能需要为不支持的层使用操作符回退或自定义实现。这可能会在将模型转换为 ONNX 格式时导致性能损失。
总体而言，如果你正在处理移动设备或浏览器内推理，ONNX 是一个不错的选择。
有用资源:
-
onnx-community 组织在 HF 上提供 ONNX 格式的模型以及转换指南。https://hf.co/onnx-community -
transformer.js 项目，允许在浏览器中使用 WebGPU 或 WebAssembly 运行 ONNX 模型。https://github.com/huggingface/transformers.js -
onnxruntime 项目，提供在各种平台和硬件上的高性能推理引擎。https://onnxruntime.ai/ -
netron 项目，允许在浏览器中可视化 ONNX 模型。https://netron.app/
硬件支持
在选择模型格式时，重要的是要考虑模型将部署在哪种硬件上。下表显示了每种格式的硬件支持建议:
| 硬件 | GGUF | PyTorch | Safetensors | ONNX |
|---|---|---|---|---|
| CPU | ✅ (最佳) | 🟡 | 🟡 | ✅ |
| GPU | ✅ | ✅ | ✅ | ✅ |
| 移动设备部署 | ✅ | 🟡 (通过 executorch) | ❌ | ✅ |
| Apple 芯片 | ✅ | 🟡 | ✅ (通过 MLX 框架) | ✅ |
说明：
-
✅: 完全支持 -
🟡: 部分支持或性能较低 -
❌: 不支持
结论
在本文中，我们探讨了当今使用的一些常见 AI 模型格式，包括 GGUF、PyTorch、Safetensors 和 ONNX。每种格式都有其自身的优缺点，因此根据具体的用例和硬件需求选择合适的格式至关重要。
脚注
mmap: 内存映射文件是一种操作系统功能，允许将文件映射到内存中。这对于在不将整个文件加载到内存中的情况下读写大文件非常有益。
延迟加载 (lazy-loading): 延迟加载是一种技术，它将数据的加载推迟到实际需要时。这有助于在处理大型模型时减少内存使用并提高性能。
计算图 (computation graph): 在机器学习的上下文中，计算图是一种流程图，展示了数据如何通过模型流动以及每一步如何执行不同的计算 (例如加法、乘法或激活函数的应用)。
英文原文:
https://blog.ngxson.com/common-ai-model-formats 原文作者: Xuan Son Nguyen
译者: Adeena
（文：Hugging Face）