前言：Hugging Face作为全球知名的AI模型和数据集共享平台，拥有海量的资源可供开发者使用。然而，由于网络环境等因素的影响，国内开发者在直接访问Hugging Face官网下载模型和数据集时，往往会遇到速度慢甚至无法下载的问题。为了帮助国内AI开发者解决这一难题，Hugging Face的国内镜像站点应运而生。这些镜像站点通过在国内部署服务器，加速了模型和数据集的下载速度，极大地提高了开发效率。

环境：Linux系统

方案一：使用huggingface-cli命令行工具

1. 安装依赖：首先需要安装huggingface_hub库，确保版本在0.17.0以上，推荐0.19.0+。安装命令为pip install -U huggingface_hub。

2. 设置环境变量：在Linux系统中，使用export HF_ENDPOINT=https://hf-mirror.com；在Windows Powershell中，使用$env:HF_ENDPOINT = "https://hf-mirror.com"。建议将此环境变量写入~/.bashrc文件中，以便长期生效。

3. 下载模型和数据集：使用huggingface-cli download命令进行下载。例如，下载gpt2模型的命令为huggingface-cli download --resume-download gpt2 --local-dir gpt2；下载wikitext数据集的命令为huggingface-cli download --repo-type dataset --resume-download wikitext --local-dir wikitext。其中，--resume-download参数可实现断点续传，--local-dir参数用于指定本地存储路径。

方案二：使用hfd专用下载工具

1. 下载hfd脚本：通过命令wget https://hf-mirror.com/hfd/hfd.sh下载hfd脚本，并使用chmod a+x hfd.sh命令赋予其执行权限。

2. 设置环境变量：与方案一相同，设置HF_ENDPOINT环境变量为https://hf-mirror.com。

3. 下载模型和数据集：使用./hfd.sh命令进行下载。例如，下载gpt2模型的命令为./hfd.sh gpt2；下载wikitext数据集的命令为./hfd.sh wikitext --dataset。hfd工具基于aria2实现，支持多线程下载，可有效提高下载速度。

方案三：网页下载

1. 访问镜像站点：直接访问国内Hugging Face镜像站点，如https://hf-mirror.com/或https://huggingface.lolicp.com。

2. 搜索模型或数据集：在镜像站点的搜索栏中输入所需的模型或数据集名称，进入对应的主页。

3. 下载文件：在模型或数据集主页的Files and Version部分，找到所需的文件并点击下载。此方法适合对下载过程有直观操作需求的开发者。

方案四：使用环境变量（非侵入式）

1. 设置环境变量：在运行Python脚本时，通过设置HF_ENDPOINT环境变量来指定镜像站点。例如，在Linux系统中，使用HF_ENDPOINT=https://hf-mirror.com python your_script.py；在Windows系统中，使用$env:HF_ENDPOINT = "https://hf-mirror.com"。

2. 运行脚本：运行包含Hugging Face模型或数据集加载代码的Python脚本。脚本会自动从指定的镜像站点下载所需的资源。此方法无需修改脚本代码，适用于已有项目的快速适配。

方案五：使用ModelScope

1. 访问ModelScope：ModelScope是一个提供丰富AI模型和数据集的平台，其地址为https://www.modelscope.cn/home。

2. 搜索和下载：在ModelScope平台上搜索所需的模型或数据集，并按照平台提供的下载方式获取资源。ModelScope作为国内知名的AI资源平台，与Hugging Face镜像站点相互补充，为开发者提供了更多选择。

方案六：使用上海交通大学AIShell镜像

1. 访问镜像站点：上海交通大学提供的AIShell镜像站点支持多种AI框架及相关资源的加速下载，其中包括Hugging Face的模型。访问上海交通大学的相关网站或搜索“上海交通大学AIShell镜像”获取具体URL。

2. 下载资源：在AIShell镜像站点中找到所需的Hugging Face模型或数据集，并按照站点提供的下载方式进行操作。该镜像站点由高校提供，具有较高的稳定性和可靠性。