1）在百度上搜索 Pycharm download

2）或者下面的 下载地址进行下载 ：下载 PyCharm：JetBrains 出品的用于数据科学和 Web 开发的 Python IDE

3）根据自己的需要选择版本（专业版、社区版），基础的学习开发社区版本就好

2、安装 Pycharm

1）双击安装包 .exe ，如果你有老版本，根据需要是否卸载

2）由于 Pycharm 安装较大，建议安装到 C 盘之外的大盘中

3）安装中，根据需要，添加桌面启动图标，其他设置根据需要选取即可

4）接着进行安装，等待安装完成即可

3、打开 Pycharm

1）点击图片打开 Pycharm

2）第一次会提示要求配置，如果有配置可以导入进来，如果没有，可以不导入，如下图

3）查阅条款，勾选接手即可，如下图

4）根据需要选择是否收集信息发送 Pycharm 开发团队，如下图

5）选择 Pycharm 界面风格，如下图

6）新建一个 pyhon 工程

7）选择工程保存的位置，建议不放在 C 盘，并选择Previously configured interpreter（而不是每次新建工程都建立一个虚拟环境，可能较占空间），如下图

8）Interpreter 为 Python 安装的位置的 python.exe，根据自己的安装的位置，添加即可，如下图

4、Pycharm 的简单使用

1）选择新建的工程名，右键新建一个 Python File，如下图

2）然后编写一个，hello world 打印代码，在编辑栏空白处，右键 "Run XXX" 即可，如下图

3）运行后，即可看到运行结果，如下图

Hugging face 基础环境搭建

1、打开 Pycharm ，创建一个工程

2、选择之前创建的虚拟环境，进行工程创建

3、之后可以创建工程了

4、 工程中，进入终端，就会自动激活之前创建的环境

5、终端安装 一些必要的库，例如 transformers 、torch

6、创建脚本，测试 pipeline 文本翻译功能，但是这里可能需要梯子网络

（不能梯子的，可以参考后面本地的）

# 导入transformers库中的pipeline函数
from transformers import pipeline# 定义一个函数func1，它将使用pipeline来执行翻译任务
def func1():# 使用pipeline函数创建一个翻译管道（translator）# "translation_en_to_fr"指定了翻译任务是从英文翻译到法语# model="google/t5-base"指定了使用的预训练模型是Google的T5-base模型translator = pipeline("translation_en_to_fr", model="google/t5-base")# 使用translator管道翻译示例句子"How old are you?"，并打印翻译结果print(translator("How old are you?"))# 调用func1函数执行翻译任务
func1()

7、如果没有梯子网络，可以把相关模型资源下载到本地，进行加载，这里我们使用Helsinki-NLP/opus-mt-en-zh 的英文翻译为中文

https://huggingface.co/Helsinki-NLP/opus-mt-en-zh/tree/mainHelsinki-NLP/opus-mt-en-zh模型：https://huggingface.co/Helsinki-NLP/opus-mt-en-zh/tree/main

8、若不清楚下载哪些文件，可以都下载

这里我们下载，并添加到工程中 Huggingface\Models\Helsinki-NLP\opus-mt-en-zh 目录下：

• config.json：模型的配置文件，包含模型的参数和设置。
• pytorch_model.bin：模型的权重文件，包含训练过程中学习到的参数。
• source.spm和target.spm（如果存在）：SentencePiece分词器模型文件，用于文本的编码和解码。但在上述代码中，我们使用的是MarianTokenizer，它应该会自动处理这些文件。

• tokenizer_config.json - 分词器的配置文件，包含分词器的设置和参数。

• vocab.json - 分词器的词汇表文件，包含了模型理解和生成文本时使用的所有词汇和标记。

9、添加代码，进行加载本地模型，进行英文翻译为中文的功能实现，代码如下

# 导入所需的transformers库中的MarianMTModel和MarianTokenizer类
from transformers import MarianMTModel, MarianTokenizer# 指定模型的本地路径
# 请确保此路径下包含了模型所需的所有文件，如config.json和pytorch_model.bin等
model_name = 'Models/Helsinki-NLP/opus-mt-en-zh'# 从本地路径加载MarianTokenizer分词器
tokenizer = MarianTokenizer.from_pretrained(model_name)# 从本地路径加载MarianMTModel模型
model = MarianMTModel.from_pretrained(model_name)# 设置待翻译的英文文本
input_text = "How old are you?"# 使用分词器编码输入文本，准备模型输入
# return_tensors="pt"指示分词器返回PyTorch张量
# padding=True表示对序列进行填充以匹配批次中的最大长度
# truncation=True表示对序列进行截断以避免超过模型的最大输入长度
inputs = tokenizer(input_text, return_tensors="pt", padding=True, truncation=True)# 使用模型生成翻译
# input_ids和attention_mask作为模型的输入
# num_beams=4表示使用4束束搜索来提高翻译的多样性和准确性
# max_length=128限制了翻译输出的最大长度
translated_ids = model.generate(input_ids=inputs["input_ids"],attention_mask=inputs["attention_mask"],num_beams=4,max_length=128
)# 使用分词器解码模型生成的ID序列回文本字符串
# skip_special_tokens=True表示跳过解码过程中遇到的特殊的控制标记
translated_text = tokenizer.decode(translated_ids[0], skip_special_tokens=True)# 打印原始文本和翻译后的文本
print("Input:", input_text)
print("Translated:", translated_text)

10、可能现在还需要安装 tokenizers、和 sentencepiece 库

目前库的版本如下：

transformers       4.24.0

torch              2.2.1

tokenizers         0.13.3

sentencepiece      0.2.0

11、目前工程结构如下：

12、运行脚本

13、 结果输出

附录

一、模型中的一些文件说明

1. opus-mt-en-zh - 这似乎是一个文件夹或模型的名称，代表一个英文到中文的机器翻译模型。

2. README.md - 一个Markdown格式的文档，通常包含关于模型的基本信息、如何使用它以及可能的其他说明。

3. config.json - 包含模型的配置信息，如层的数量、类型等，这是初始化模型时必需的。

4. flax_model.msgpack - 一个可能包含Flax框架模型权重的文件。Flax是一个由Google研究人员开发的机器学习库，与PyTorch和TensorFlow兼容。

5. generation_config.json - 可能包含模型生成文本时使用的配置，例如设置renormalize_logits=True以改善性能。

6. metadata.json - 包含模型的元数据，比如模型的名称、版本、作者信息等。

7. pytorch_model.bin - 这是模型的主要权重文件，用于PyTorch框架。它是模型训练后学习到的知识的存储形式。

8. rust_model.ot - 一个可能包含Rust语言模型实现的文件。这表明模型可能也可以在Rust环境中使用。

9. source.spm 和 target.spm - 这两个文件是SentencePiece模型文件，用于文本的分词（tokenization）。source.spm用于源语言（英文）的分词，而target.spm用于目标语言（中文）的分词。

10. tf_model.h5 - 包含TensorFlow模型权重的文件。.h5是HDF5格式的文件，常用于存储TensorFlow模型。

11. tokenizer_config.json - 分词器的配置文件，包含分词器的设置和参数。

12. vocab.json - 分词器的词汇表文件，包含了模型理解和生成文本时使用的所有词汇和标记。

图中还提到了一些提交信息，如joaogante HF STAFF、set 'renormalize_logits=True' for better performance等，这些信息表明了代码仓库的更新历史和一些性能改进的提交。

要本地运行这个模型，主要需要config.json、pytorch_model.bin（或其他框架对应的权重文件）、以及分词器相关的source.spm、target.spm、tokenizer_config.json和vocab.json文件。其他文件可能是模型在不同框架或环境中的实现。

二、本案例的环境中一些关键库的版本

transformers       4.24.0

torch              2.2.1

tokenizers         0.13.3

sentencepiece      0.2.0