善用Git LFS来降低模型文件对磁盘的占用

将讲一个实际的例子：对于模型文件，动辄就是好几个G，而有的仓库更是高达几十G，拉一个仓库到本地，稍不注意直接磁盘拉满都有可能。
比如：meta-llama-3.1-8b-instruct，拉到本地后发现居然占用了60G，不得了。

还好有Git LFS 这个大文件管理工具，Git LFS 就好像是一个图书馆。图书馆里有很多书（大文件），但你不需要把所有的书都搬回家，你只需要借阅你需要的书就可以了。Git LFS 就是这个图书馆，它帮你管理这些大文件，让你随时随地都可以“借阅”到它们。

1 . 查看哪些类型的文件需要被追踪：

$ git lfs track
Listing tracked patterns*.7z (.gitattributes)*.ckpt (.gitattributes)*.model (.gitattributes)*.onnx (.gitattributes)*.pickle (.gitattributes)*.pth (.gitattributes)*.safetensors (.gitattributes)......
Listing excluded patterns

这里列出来被追踪的文件对应.gitattributes这个配置文件。

2 . 查看被追踪的大文件是哪些：

$ git lfs ls-files
2b1879f356 * model-00001-of-00004.safetensors
09d433f650 * model-00002-of-00004.safetensors
fc1cdddd6b * model-00003-of-00004.safetensors
92ecfe1a24 * model-00004-of-00004.safetensors
ab33d910f4 * original/consolidated.00.pth
82e9d31979 * original/tokenizer.model

在拉取时，可以临时设置GIT_LFS_SKIP_SMUDGE=1，

$ GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/LLM-Research/meta-llama-3.1-8b-instruct.git
Cloning into 'meta-llama-3.1-8b-instruct'...
remote: Enumerating objects: 55, done.
remote: Total 55 (delta 0), reused 0 (delta 0), pack-reused 55
Receiving objects: 100% (55/55), 2.25 MiB | 7.63 MiB/s, done.
Resolving deltas: 100% (19/19), done.$ cd meta-llama-3.1-8b-instruct/$ du -sh
12M   

这样就会跳过被追踪的大文件，进行代码仓库的克隆。


当需要用到某些大文件时，再单独拉取指定文件：

$ git lfs fetch --include="original/tokenizer.model"
fetch: Fetching reference refs/heads/master
Downloading LFS objects: 100% (1/1), 2.2 MB | 0 B/s$ git lfs checkout original/tokenizer.model
Checking out LFS objects: 100% (1/1), 2.2 MB | 0 B/s, done.$ du -sh
16M     .

$ git lfs fetch --include="*.safetensors"
fetch: Fetching reference refs/heads/master
Downloading LFS objects: 100% (4/4), 19 GB | 75 MB/s$ du -sh
15G     .$ git lfs checkout *.safetensors
Checking out LFS objects: 100% (4/4), 16 GB | 179 MB/s, done.$ du -sh
30G   

疑问：为什么git lfs fetch变成了15G，而git checkout 变成了30G呢？

git lfs fetch 是将文件下载到.git/lfs/objects目录下，当然是一些对象格式的文件，以便后续检出。
git lfs checkout 是将.git/lfs/objects下的对象格式文件检出到工作目录，所以这里又增加了一倍的空间占用。

甚至检出后，可以直接将这个.git目录删除掉，这样就可以使占用空间最小，只保留了需要用到的模型文件。


刚刚去看了一下，为什么一开始说clone下来是60多G，因为它仓库原本还有一个.pth文件，我们没有git lfs fetch和git lfs checkout，自然整体少占用了30G左右的空间。



码字不易，希望对遇到相同问题的朋友有所帮助。