Hugging Face 本地管道

Hugging Face 模型可以通过HuggingFacePipeline类。

Hugging Face Model Hub 在一个在线平台上托管了超过 120k 个模型、20k 数据集和 50k 个演示应用程序（Spaces），所有这些应用程序都是开源和公开可用的，人们可以在其中轻松协作和共同构建 ML。

这些可以通过此本地管道包装器从 LangChain 调用，也可以通过 HuggingFaceHub 类调用其托管推理终端节点。

要使用transformerspython 软件包以及 pytorch 的 API API 的 Package。您还可以安装xformer以获得更节省内存的注意力实现。

%pip install --upgrade --quiet transformers

模型加载

可以通过使用from_model_id方法。

from langchain_huggingface.llms import HuggingFacePipeline

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

API 参考：HuggingFacePipeline

它们也可以通过传入现有的transformers管道直接

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 参考：HuggingFacePipeline

Create Chain （创建链）

将模型加载到内存中后，您可以编写它，并提示形成一个链。

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 参考：PromptTemplate

要在没有提示的情况下获取响应，您可以绑定skip_prompt=True与 LLM 合作。

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

question = "What is electroencephalography?"

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

流式响应。

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

GPU 推理

在具有 GPU 的机器上运行时，您可以指定device=n参数将模型放在指定的设备上。默认为-1进行 CPU 推理。

如果您有多个 GPU 和/或模型对于单个 GPU 来说太大，则可以指定device_map="auto"，该库需要并使用 Accelerate 库来自动确定如何加载模型权重。

注意：两者device和device_map不应一起指定，否则可能会导致意外行为。

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}))

批量 GPU 推理

如果在具有 GPU 的设备上运行，您还可以以批处理模式在 GPU 上运行推理。

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 后端进行推理

要使用 OpenVINO 部署模型，您可以指定backend="openvino"参数触发 OpenVINO 作为后端推理框架。

如果您有 Intel GPU，则可以指定model_kwargs={"device": "GPU"}以对其运行推理。

%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 模型进行推理

可以使用 CLI 将模型导出为 OpenVINO IR 格式，然后从本地文件夹加载模型。

!optimum-cli export openvino --model gpt2 ov_model_dir

建议使用 8 位或 4 位权重量化来减少推理延迟和模型占用空间--weight-format:

!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}))

您可以通过激活的动态量化和 KV 缓存量化来获得额外的推理速度提升。这些选项可以通过ov_config如下：

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

有关更多信息，请参阅 OpenVINO LLM 指南和 OpenVINO 本地管道笔记本。

LLM 概念指南
LLM 操作指南