Hugging Face 本地管道

Hugging Face 模型可以通过 HuggingFacePipeline 类在本地运行。

Hugging Face 模型中心 托管着超过 12 万个模型、2 万个数据集和 5 万个演示应用程序（Spaces），所有这些都是开源的并且公开可用，在一个在线平台上，人们可以轻松地协作并一起构建 ML。

这些可以通过 LangChain 调用，可以通过这个本地管道包装器或通过 HuggingFaceHub 类调用其托管的推理端点。

要使用，您应该安装 transformers python 包，以及 pytorch。您也可以安装 xformer 以获得更节能的注意力实现。

%pip install --upgrade --quiet transformers

模型加载

可以通过使用 from_model_id 方法指定模型参数来加载模型。

from langchain_huggingface.llms import HuggingFacePipeline

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

API 参考：HuggingFacePipeline

它们也可以通过直接传入现有的 transformers 管道来加载。

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)

API 参考：HuggingFacePipeline

创建链

将模型加载到内存中后，您可以将其与提示组合起来形成一条链。

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}))

API 参考：PromptTemplate

要获取没有提示的响应，您可以将 skip_prompt=True 与 LLM 绑定。

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。默认值为 -1 用于 CPU 推理。

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

注意：device 和 device_map 都不能一起指定，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，您也可以在 GPU 上以批量模式运行推理。

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 后端进行推理

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

如果您有英特尔 GPU，您可以指定 model_kwargs={"device": "GPU"} 在其上运行推理。

%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 导出您的模型 到 OpenVINO IR 格式，并从本地文件夹加载模型。

!optimum-cli export openvino --model gpt2 ov_model_dir

建议使用 --weight-format 对权重进行 8 位或 4 位量化，以减少推理延迟和模型占用空间。

!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}))

您可以通过以下方式使用 ov_config 启用激活的动态量化和 KV 缓存量化，从而获得额外的推理速度提升。

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。

相关

• LLM 概念指南
• LLM 操作指南