Hugging Face 本地管道集成 - 以编程方式使用文档

Hugging Face 模型可以通过以下方式在本地运行 HuggingFacePipeline class.

这个 Hugging Face 模型中心托管了超过 12 万个模型、2 万个数据集和 5 万个演示应用（Spaces），全部开源且公开可用，是一个在线平台，人们可以轻松协作并共同构建机器学习。

这些可以从 LangChain 调用，既可以通过这个本地管道包装器调用，也可以通过 HuggingFaceHub 类调用其托管推理端点。

要使用，你需要安装 transformers python 包，以及 pytorch。你也可以安装 xformer 以获得更高效的注意力实现。

pip install -qU transformers

模型加载

模型可以通过指定模型参数使用 from_model_id method.

from langchain_huggingface.llms import HuggingFacePipeline

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

它们也可以通过传入现有的 transformers 管道直接加载

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)

创建链

模型加载到内存后，你可以将其与提示词组合以形成一条链。

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}))

要获取无提示的响应，你可以绑定 skip_prompt=True 与 LLM。

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

在配备 GPU 的机器上运行时，你可以指定 device=n 参数将模型放置在指定设备上。默认为 -1 用于 CPU 推理。

If you have multiple-GPUs and/or the model is too large for a single GPU, you can specify device_map="auto"，这需要并使用 Accelerate 库来自动确定如何加载模型权重。

*注意*：两者 device 和 device_map 不应同时指定，否则可能导致意外行为。

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

如果在带有 GPU 的设备上运行，你也可以在 GPU 上以批处理模式运行推理。

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 后端推理

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

如果你有 Intel GPU，你可以指定 model_kwargs={"device": "GPU"} 在其上运行推理。

pip install -U-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 模型推理

可以导出你的模型到 OpenVINO IR 格式（使用 CLI），并从本地文件夹加载模型。

!optimum-cli export openvino --model gpt2 ov_model_dir

建议应用 8 位或 4 位权重量化以减少推理延迟和模型占用，使用 --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}))

你可以使用动态量化和 KV-cache 量化获得额外的推理速度提升。这些选项可以通过以下方式启用 ov_config 如下：

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

更多信息请参阅 OpenVINO LLM 指南和 OpenVINO 本地管道笔记本.