← 返回首页
🤗 开源AI平台教程

Hugging Face 入门完整指南 2025
从零开始使用开源AI模型

全球最大开源AI平台完整教程：Models、Datasets、Spaces、Inference API——免费运行Llama 3.1、Mistral、FLUX等顶级模型，无需GPU。

📅 2025年5月更新 ⏱ 阅读约14分钟 👁 26.9k 次阅读 💻 含完整代码示例
📋 本文目录
  1. 什么是Hugging Face？
  2. Models Hub 使用指南
  3. Inference API 快速开始
  4. Spaces：免费部署AI应用
  5. Transformers Pipeline 本地运行
  6. 2025年最值得关注的开源模型
  7. Datasets Hub 使用
  8. 模型微调入门
  9. 实用技巧与常见问题

🤗 什么是Hugging Face？

Hugging Face是全球最大的开源AI模型和数据集平台，被誉为"AI界的GitHub"。它托管了超过100万个模型、20万个数据集，以及数千个可直接使用的AI应用（Spaces）。

100万+
托管AI模型数量
20万+
开源数据集数量
5万+
AI应用（Spaces）
$4.5B
2023年估值
🏪
Models Hub
100万+预训练模型，涵盖NLP/图像/音频/多模态
免费浏览
⚡
Inference API
无需GPU，通过API调用任意模型
免费额度
🚀
Spaces
免费部署AI应用（Gradio/Streamlit）
免费托管
📦
Transformers库
Python库，本地运行任意模型
开源免费
📊
Datasets Hub
20万+标注数据集，一行代码加载
免费使用
🎯
AutoTrain
无代码微调自定义模型
按用量付费

🏪 Models Hub 使用指南

Models Hub是Hugging Face的核心——你可以在这里找到、下载、在线测试任何开源AI模型。

如何搜索和筛选模型

  1. 访问 huggingface.co/models
  2. 使用任务类型筛选（Text Generation / Image Generation / Translation / Question Answering等）
  3. 按库筛选（Transformers / Diffusers / PEFT等）
  4. 按下载量/点赞数排序找热门模型
  5. 查看模型卡片（Model Card）了解：训练数据、能力、限制、使用方法

在线测试模型（无需代码）

大多数模型页面右侧都有Inference Widget——可以直接在浏览器中输入文本/图片测试模型效果，零代码体验。这是快速评估模型是否符合需求的最简单方式。

🔍 Model Card 阅读技巧：评估一个模型时，优先看：(1) Intended Uses（预期用途） (2) Limitations（限制和已知偏差） (3) Training Data（训练数据来源，判断是否有版权问题） (4) License（商业使用是否允许）。跳过这些直接用模型是常见的新手错误。

⚡ Inference API：无需GPU的模型调用

Hugging Face Inference API让你通过HTTP请求调用任意模型，无需自己的GPU。免费账号有一定的请求限制，Pro账号（$9/月）有更高配额。

1
获取API Token

注册Hugging Face账号 → Settings → Access Tokens → New Token（选择read权限）→ 复制token

2
Python调用示例
Python · Inference API
import requests API_URL = "https://api-inference.huggingface.co/models/meta-llama/Llama-3.1-8B-Instruct" headers = {"Authorization": f"Bearer YOUR_TOKEN_HERE"} def query(payload): response = requests.post(API_URL, headers=headers, json=payload) return response.json() output = query({ "inputs": "请用简单语言解释什么是大语言模型", "parameters": {"max_new_tokens": 200} }) print(output)
3
图像生成示例（FLUX）
Python · FLUX图像生成
import requests from PIL import Image import io API_URL = "https://api-inference.huggingface.co/models/black-forest-labs/FLUX.1-schnell" headers = {"Authorization": "Bearer YOUR_TOKEN"} response = requests.post( API_URL, headers=headers, json={"inputs": "A futuristic city at sunset, photorealistic, 4k"} ) image = Image.open(io.BytesIO(response.content)) image.save("output.png") print("Image saved!")

🚀 Spaces：免费部署AI应用

Hugging Face Spaces让你免费部署AI应用（使用Gradio或Streamlit），其他人可以通过浏览器直接使用，无需安装任何东西。

免费CPU Spaces适合轻量级应用；需要GPU的应用可以升级到GPU Space（$0.6-$8/小时）。

1
创建Gradio应用并部署到Spaces
Python · Gradio + Spaces部署
# app.py - 上传这个文件到Spaces即可部署 import gradio as gr from transformers import pipeline # 加载情感分析模型 classifier = pipeline( "sentiment-analysis", model="cardiffnlp/twitter-roberta-base-sentiment" ) def analyze(text): result = classifier(text)[0] return f"情感：{result['label']}，置信度：{result['score']:.2%}" demo = gr.Interface( fn=analyze, inputs=gr.Textbox(label="输入文本"), outputs=gr.Textbox(label="分析结果"), title="AI情感分析" ) demo.launch()

创建Space的步骤：huggingface.co/new-space → 选择Gradio → 上传app.py → 自动构建和部署，获得公开URL。

💻 Transformers Pipeline：本地运行模型

如果你有本地GPU（或愿意等待CPU推理），使用Transformers库可以完全本地化运行模型，无需联网。

1
安装Transformers
Shell
pip install transformers torch # 如有NVIDIA GPU，安装CUDA版本torch获得加速 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
2
Pipeline一行代码运行模型
Python · 5种常用任务Pipeline
from transformers import pipeline # 1. 文本生成 generator = pipeline("text-generation", model="gpt2") result = generator("The future of AI is", max_length=50) # 2. 翻译（中英） translator = pipeline("translation", model="Helsinki-NLP/opus-mt-zh-en") translator("人工智能正在改变世界") # 3. 图片分类 classifier = pipeline("image-classification", model="google/vit-base-patch16-224") classifier("https://example.com/cat.jpg") # 4. 文本摘要 summarizer = pipeline("summarization", model="facebook/bart-large-cnn") summarizer("Long article text here...", max_length=130) # 5. 语音转文字 transcriber = pipeline("automatic-speech-recognition", model="openai/whisper-base") transcriber("audio.mp3")

🏆 2025年最值得关注的开源模型

模型 类型 参数量 特点 License 推荐场景
Llama 3.1 405B LLM 405B 最强开源LLM，接近GPT-4o Llama 3.1许可 通用推理/代码
Llama 3.1 8B LLM 8B 本地运行首选，性价比极高 Llama 3.1许可 本地部署/快速推理
Mistral 7B / Mixtral 8x7B LLM 7B/47B 推理速度快，MoE架构高效 Apache 2.0 商业应用/代码
DeepSeek-V3 LLM 671B MoE 中文最强，接近GPT-4o MIT 中文任务/推理
FLUX.1-schnell 图像生成 12B 最快开源图像生成，质量高 Apache 2.0 图像生成/商业使用
FLUX.1-dev 图像生成 12B 图像质量最高，需研究许可 非商业研究 高质量图像生成
Whisper Large v3 语音识别 1.5B 多语言ASR准确率最高 MIT 语音转文字
Phi-3.5-mini 小型LLM 3.8B 微软出品，小模型性能最强 MIT 边缘设备/移动端
Qwen2.5-72B LLM 72B 阿里通义，中英文均衡 Qwen许可 中英双语任务

📊 Datasets Hub：一行代码加载训练数据

Hugging Face Datasets Hub提供20万+标注数据集，用Python的datasets库可以一行代码加载：

Python · Datasets使用示例
from datasets import load_dataset # 加载常用数据集 squad = load_dataset("squad") # SQuAD问答数据集 imdb = load_dataset("imdb") # 电影评论情感数据集 cnn = load_dataset("cnn_dailymail", "3.0.0") # 新闻摘要 # 查看数据集结构 print(squad) print(squad['train'][0]) # 数据集支持过滤、映射、分割 small_dataset = squad['train'].select(range(100)) # 只取前100条

🎯 模型微调入门

微调（Fine-tuning）是在预训练模型基础上，用你的特定数据继续训练，让模型适应你的任务。2025年最推荐的轻量微调方法是LoRA/QLoRA——只训练少量参数，GPU要求极低。

Python · QLoRA微调Llama（最低4GB VRAM）
from transformers import AutoTokenizer, AutoModelForCausalLM, TrainingArguments from peft import LoraConfig, get_peft_model from trl import SFTTrainer import torch # 加载基础模型（量化到4bit节省显存） model_id = "meta-llama/Llama-3.1-8B" tokenizer = AutoTokenizer.from_pretrained(model_id) # LoRA配置 lora_config = LoraConfig( r=8, # LoRA rank，越大越强但更慢 lora_alpha=16, target_modules=["q_proj", "v_proj"], lora_dropout=0.1, task_type="CAUSAL_LM" ) # 训练参数 training_args = TrainingArguments( output_dir="./my-llama-finetuned", num_train_epochs=3, per_device_train_batch_size=4, learning_rate=2e-4, ) # 开始训练（需要准备自己的dataset） # trainer = SFTTrainer(model, train_dataset, ...)
💡 无代码微调选项：如果不想写代码，Hugging Face的AutoTrain（autotrain.huggingface.co）提供界面化微调——上传CSV训练数据，选择模型，点击训练。适合初学者快速验证微调可行性。

💡 实用技巧与常见问题

加速技巧

常见错误解决

推荐学习路径

  1. 第1周：注册账号 → 浏览Models Hub → 用Inference Widget测试10个模型
  2. 第2周：安装Transformers → 运行Pipeline示例 → 部署第一个Gradio Space
  3. 第3-4周：用Inference API构建第一个AI应用（聊天机器人/图像生成器）
  4. 第2个月：学习LoRA微调，在自己的数据上微调小模型
🌟 免费学习资源：Hugging Face官方提供免费课程（huggingface.co/learn）：NLP课程、RL课程、Diffusion Models课程，全部免费且质量很高。配合本指南，是学习开源AI开发的最佳起点。