Pytorch——AutoTokenizer载入本地tokenizer权重

　　由于众所周知的原因，国内很难使用huggingface去下载权重，但现在的大模型的权重以及相关的分词器配置都放在huggingface的仓库中。当我们使用 AutoTokenizer.from_pretrained 去载入相关分词器和模型时，会访问huggingface自动下载模型。但随着大模型的发布，很多模型的tokenizer都以tokenizer.model的方式保存，并且使用自己的.py文件去加载自定义的tokenizer类。因此tokenizer_config.json（tokenizer配置类）变得至关重要。下面就是我遇到的使用AutoTokenizer载入本地tokenizer时的坑。

　　场景：我使用ChatGLM这个大语言模型，于是从huggingface镜像网站中（HF-Mirror - Huggingface 镜像站）下载了其对应的模型参数以及tokenizer。使用以下命令行 a = AutoTokenizer.from_pretrained(r"D:\git_project\chatglm", trust_remote_code=True) 载入模型的tokenizer时，表示无法从本地载入（确定本地存在tokenizer的相关文件），并且每次都去请求huggingface的官网去下载这个模型（但由于屏蔽，导致了请求失败），因此无法使用，遂追寻AutoTokenizer.from_pretrained的源码寻求原因。

　　以下是文件D:\git_project\chatglm文件夹中的内容：

 　　直接说结论：AutoTokenizer.from_pretraine中传入的本地文件路径，一定要和tokenizer_config.json中的以下配置对应：

 　　解释：通过追踪源码（省略版），我们发现AutoTokenizer只会从传入的路径（我们传入的是D:\git_project\chatglm）去找到tokenizer_config.json文件，当找到之后，所有的加载内容都以tokenizer_config.json中内容为准，这里的“auto_map”就是告诉加载器要去哪里找对应的tokenizer类，前半段的路径标记的就是去哪里找.py文件，使用--分割后面的就是指的对应的python文件中的Tokenizer类（上图就是会去D:\git_project\chatglm这个路径中去找，tokenization_chatglm.py这个文件，并加载这个.py文件中的ChatGLMTokenizer对象）。

注意事项（坑）：

1、并不是所有的tokenizer载入都会使用自定义的方式（通过一个.py文件去得到自定义的Tokenizer对象），更多的时候是直接一个tokenizer.json或者vocab.txt即可，因此他们的tokenizer_config.json中都没有这个“auto_map”参数，更多的是tokenizer_class去指定让AutoTokenizer使用已经配置好的Tokenizer。

2、transformers中已经集成了非常多的Tokenizer类，而AutoTokenizer在载入时会根据tokenizer_config.json中的“tokenizer_class”去找是否已经存在了内置的Tokernizer对象，比如上面例子中我们“tokenizer_class”参数是“ChatGLMTokenizer”，因此在载入时会先在使用tokenizer_class_from_name方法去TOKENIZER_MAPPING_NAMES常量中寻找是否已经有内置的Tokernizer类，如果有则初始化，如果没有，就会使用“auto_map”这个参数去找到底应该拿什么类。（很明显transformers中并没有集成ChatGLMTokenizer，并且auto_map也没有找到对应的路径，因此他会去一直请求huggingface去仓库中下载模型）

3、一般使用自定义的tokenizer类都会使用sentencepiece这个包，但是这个包加载tokenizer.model时不支持中文地址！！！！