Banana

Banana 为 AI 模型提供了无服务器 GPU 推理、CI/CD 构建流水线以及一个简单的 Python 框架 (Potassium) 用于部署您的模型。

本页面介绍如何在 LangChain 中使用 Banana 生态系统。

安装与设置¶

安装 Python 包 banana-dev：

pip install banana-dev

从 Banana.dev 仪表板获取 Banana API 密钥，并将其设置为环境变量（BANANA_API_KEY）
从模型的详情页面获取模型的密钥和 URL 标识符。

定义您的香蕉模板

您需要为您的 Banana 应用设置一个 Github 仓库。您可以使用本指南在 5 分钟内开始。

或者，如果您需要一个开箱即用的 LLM 示例，可以查看 Banana 的 CodeLlama-7B-Instruct-GPTQ GitHub 仓库。只需将其 fork 并在 Banana 内部署即可。

其他启动仓库可在此处找到。

构建香蕉应用

要在 Langchain 中使用 Banana 应用，您必须在返回的 JSON 中包含 outputs 键，且该值必须为字符串。

# Return the results as a dictionary
result = {'outputs': result}

一个示例推理函数如下：

@app.handler("/")
def handler(context: dict, request: Request) -> Response:
    """Handle a request to generate code from a prompt."""
    model = context.get("model")
    tokenizer = context.get("tokenizer")
    max_new_tokens = request.json.get("max_new_tokens", 512)
    temperature = request.json.get("temperature", 0.7)
    prompt = request.json.get("prompt")
    prompt_template=f'''[INST] Write code to solve the following coding problem that obeys the constraints and passes the example test cases. Please wrap your code answer using ```:
    {prompt}
    [/INST]
    '''
    input_ids = tokenizer(prompt_template, return_tensors='pt').input_ids.cuda()
    output = model.generate(inputs=input_ids, temperature=temperature, max_new_tokens=max_new_tokens)
    result = tokenizer.decode(output[0])
    return Response(json={"outputs": result}, status=200)

此示例来自 app.py 文件，位于 CodeLlama-7B-Instruct-GPTQ。

LLM

from langchain_community.llms import Banana

API 参考:香蕉

查看使用示例。

安装与设置¶

定义您的香蕉模板​

构建香蕉应用​

LLM​

定义您的香蕉模板

构建香蕉应用

LLM