跳至主要內容

Hugging Face 本地管線

Hugging Face 模型可以透過 HuggingFacePipeline 類別在本機執行。

Hugging Face Model Hub 在一個線上平台上託管了超過 12 萬個模型、2 萬個數據集和 5 萬個演示應用程式 (Spaces)，所有這些都是開源且公開可用的，人們可以在此輕鬆協作並共同構建機器學習。

這些可以從 LangChain 中呼叫，可以透過這個本地管線封裝器，或者透過 HuggingFaceHub 類別呼叫它們託管的推論端點。

要使用，您應該安裝 transformers Python 套件，以及 pytorch。您也可以安裝 xformer 以獲得更節省記憶體的注意力實現方式。

%pip install --upgrade --quiet transformers

模型載入​

可以透過使用 from_model_id 方法指定模型參數來載入模型。

from langchain_huggingface.llms import HuggingFacePipeline

hf = HuggingFacePipeline.from_model_id(
    model_id="gpt2",
    task="text-generation",
    pipeline_kwargs={"max_new_tokens": 10},
)
API 參考：HuggingFacePipeline

也可以透過直接傳入現有的 transformers 管線來載入它們

from langchain_huggingface.llms import HuggingFacePipeline
from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline

model_id = "gpt2"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)
pipe = pipeline("text-generation", model=model, tokenizer=tokenizer, max_new_tokens=10)
hf = HuggingFacePipeline(pipeline=pipe)
API 參考：HuggingFacePipeline

建立鏈​

將模型載入記憶體後，您可以將其與提示組合以形成鏈。

from langchain_core.prompts import PromptTemplate

template = """Question: {question}

Answer: Let's think step by step."""
prompt = PromptTemplate.from_template(template)

chain = prompt | hf

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))
API 參考：PromptTemplate

若要在沒有提示的情況下取得回應，您可以將 skip_prompt=True 與 LLM 綁定。

chain = prompt | hf.bind(skip_prompt=True)

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))

串流回應。

for chunk in chain.stream(question):
    print(chunk, end="", flush=True)

GPU 推論​

在具有 GPU 的機器上執行時，您可以指定 device=n 參數，將模型放置在指定的設備上。預設為 -1，用於 CPU 推論。

如果您有多個 GPU，並且/或模型對於單個 GPU 來說太大，您可以指定 device_map="auto"，這需要並使用 Accelerate 庫來自動確定如何載入模型權重。

注意：device 和 device_map 都不應同時指定，否則可能導致意外行為。

gpu_llm = HuggingFacePipeline.from_model_id(
    model_id="gpt2",
    task="text-generation",
    device=0,  # replace with device_map="auto" to use the accelerate library.
    pipeline_kwargs={"max_new_tokens": 10},
)

gpu_chain = prompt | gpu_llm

question = "What is electroencephalography?"

print(gpu_chain.invoke({"question": question}))

批次 GPU 推論​

如果在具有 GPU 的設備上執行，您也可以在批次模式下在 GPU 上執行推論。

gpu_llm = HuggingFacePipeline.from_model_id(
    model_id="bigscience/bloom-1b7",
    task="text-generation",
    device=0,  # -1 for CPU
    batch_size=2,  # adjust as needed based on GPU map and model size.
    model_kwargs={"temperature": 0, "max_length": 64},
)

gpu_chain = prompt | gpu_llm.bind(stop=["\n\n"])

questions = []
for i in range(4):
    questions.append({"question": f"What is the number {i} in french?"})

answers = gpu_chain.batch(questions)
for answer in answers:
    print(answer)

使用 OpenVINO 後端的推論​

若要使用 OpenVINO 部署模型，您可以指定 backend="openvino" 參數來觸發 OpenVINO 作為後端推論框架。

如果您有 Intel GPU，您可以指定 model_kwargs={"device": "GPU"} 在其上執行推論。

%pip install --upgrade-strategy eager "optimum[openvino,nncf]" --quiet
ov_config = {"PERFORMANCE_HINT": "LATENCY", "NUM_STREAMS": "1", "CACHE_DIR": ""}

ov_llm = HuggingFacePipeline.from_model_id(
    model_id="gpt2",
    task="text-generation",
    backend="openvino",
    model_kwargs={"device": "CPU", "ov_config": ov_config},
    pipeline_kwargs={"max_new_tokens": 10},
)

ov_chain = prompt | ov_llm

question = "What is electroencephalography?"

print(ov_chain.invoke({"question": question}))

使用本地 OpenVINO 模型進行推論​

可以使用 CLI 將 您的模型匯出為 OpenVINO IR 格式，並從本地資料夾載入模型。

!optimum-cli export openvino --model gpt2 ov_model_dir

建議使用 --weight-format 應用 8 位元或 4 位元權重量化，以減少推論延遲和模型佔用空間。

!optimum-cli export openvino --model gpt2  --weight-format int8 ov_model_dir # for 8-bit quantization

!optimum-cli export openvino --model gpt2  --weight-format int4 ov_model_dir # for 4-bit quantization
ov_llm = HuggingFacePipeline.from_model_id(
    model_id="ov_model_dir",
    task="text-generation",
    backend="openvino",
    model_kwargs={"device": "CPU", "ov_config": ov_config},
    pipeline_kwargs={"max_new_tokens": 10},
)

ov_chain = prompt | ov_llm

question = "What is electroencephalography?"

print(ov_chain.invoke({"question": question}))

您可以透過激活值的動態量化和 KV 快取的量化來獲得額外的推論速度提升。 這些選項可以使用 ov_config 啟用，如下所示

ov_config = {
    "KV_CACHE_PRECISION": "u8",
    "DYNAMIC_QUANTIZATION_GROUP_SIZE": "32",
    "PERFORMANCE_HINT": "LATENCY",
    "NUM_STREAMS": "1",
    "CACHE_DIR": "",
}

更多資訊請參考 OpenVINO LLM 指南 和 OpenVINO Local Pipelines notebook。

此頁面是否對您有幫助？