本篇文章主要介绍如何使用新的Hugging Face LLM推理容器将开源LLMs,比如BLOOM大型语言模型部署到亚马逊云科技Amazon SageMaker进行推理的示例。我们将部署12B Open Assistant Model,这是一款由开放助手计划训练的开源Chat LLM。
这个示例包括:
- 设置开发环境
- 获取全新Hugging Face LLM DLC
- 将开放助手12B部署到亚马逊云科技Amazon SageMaker
- 进行推理并与我们的模型聊天
- 清理环境
什么是Hugging Face LLM Inference DLC?
Hugging Face LLM DLC是一款全新的专用推理容器,可在安全的托管环境中轻松部署LLM。DLC由文本生成推理(TGI)提供支持,这是一种用于部署和服务大型语言模型(LLM)的开源、专门构建的解决方案。TGI使用张量并行和动态批处理为最受欢迎的开源LLM(包括StarCoder、BLOOM、GPT-Neox、Llama和T5)实现高性能文本生成。文本生成推理已被IBM、Grammarly等客户使用,Open-Assistant计划对所有支持的模型架构进行了优化,包括:
- 张量并行性和自定义cuda内核
- 在最受欢迎的架构上使用flash-attention优化了用于推理的变形器代码
- 使用bitsandbytes进行量化
- 连续批处理传入的请求以增加总吞吐量
- 使用safetensors加速重量加载(启动时间)
- Logits扭曲器(温度缩放、topk、重复惩罚…)
- 用大型语言模型的水印添加水印
- 停止序列,记录概率
- 使用服务器发送事件(SSE)进行Token流式传输
官方支持的模型架构目前为:
- BLOOM/BLOOMZ
- MT0-XXL
- Galactica
- SantaCoder
- gpt-Neox 20B(joi、pythia、lotus、rosey、chip、redPajama、open Assistant)
- FLAN-T5-XXL(T5-11B)
- Llama(vicuna、alpaca、koala)
- Starcoder/santaCoder
- Falcon 7B/Falcon 40B
借助亚马逊云科技Amazon SageMaker上推出的全新Hugging Face LLM Inference DLC,亚马逊云科技客户可以从支持高度并发、低延迟LLM体验的相同技术中受益,例如HuggingChat、OpenAssistant和Hugging Face Hub上的LLM模型推理API。
1.设置开发环境
使用SageMaker python SDK将OpenAssistant/pythia-12b-sft-v8-7k-steps部署到亚马逊云科技Amazon SageMaker。需要确保配置一个亚马逊云科技账户并安装SageMaker python SDK。
如果打算在本地环境中使用SageMaker。需要访问具有亚马逊云科技Amazon SageMaker所需权限的IAM角色。可以在这里找到更多关于它的信息。
2.获取全新Hugging Face LLM DLC
与部署常规的HuggingFace模型相比,首先需要检索容器URI并将其提供给HuggingFaceModel模型类,并使用image_uri指向该镜像。要在亚马逊云科技Amazon SageMaker中检索新的HuggingFace LLM DLC,可以使用SageMaker SDK 提供的get_huggingface_llm_image_uri方法。此方法允许根据指定的 “后端”、“会话”、“区域” 和 “版本”检索所需的Hugging Face LLM DLC 的 URI。
要将[Open Assistant Model](openAssistant/Pythia-12b-sft-v8-7K-steps)部署到亚马逊云科技Amazon SageMaker,创建一个HuggingFaceModel模型类并定义终端节点配置,包括hf_model_id、instance_type等。使用g5.4xlarge实例类型,它有1个NVIDIA A10G GPU和64GB的GPU内存。
亚马逊云科技Amazon SageMaker现在创建端点并将模型部署到该端点。这可能需要10-15分钟。
4.进行推理并与模型聊天
部署终端节点后,可以对其进行推理。使用predictor中的predict方法在端点上进行推理。可以用不同的参数进行推断来影响生成。参数可以设置在parameter中设置。
- 温度:控制模型中的随机性。较低的值将使模型更具确定性,而较高的值将使模型更随机。默认值为0。
- max_new_tokens:要生成的最大token数量。默认值为20,最大值为512。
- repeption_penalty:控制重复的可能性,默认为null。
- seed:用于随机生成的种子,默认为null。
- stop:用于停止生成的代币列表。生成其中一个令牌后,生成将停止。
- top_k:用于top-k筛选时保留的最高概率词汇标记的数量。默认值为null,它禁用top-k过滤。
- top_p:用于核采样时保留的参数最高概率词汇标记的累积概率,默认为null。
- do_sample:是否使用采样;否则使用贪婪的解码。默认值为false。
- best_of:生成best_of序列如果是最高标记logpros则返回序列,默认为null。
- details:是否返回有关世代的详细信息。默认值为false。
- return_full_text:是返回全文还是只返回生成的部分。默认值为false。
- truncate:是否将输入截断到模型的最大长度。默认值为true。
- typical_p:代币的典型概率。默认值null。
- 水印:生成时使用的水印。默认值为false。
可以在swagger文档中找到TGI的开放api规范。
openAssistant/Pythia-12b-sft-v8-7K-steps是一种对话式聊天模型,这意味着我们可以使用以下提示与它聊天:
先试一试,问一下夏天可以做的一些很酷的想法:
现在,使用不同的参数进行推理,以影响生成。参数可以通过输入的parameters属性定义。这可以用来让模型在“机器人”回合后停止生成。
现在构建一个快速gradio应用程序来和它聊天。
程序运行成功后,显示如下聊天窗口:
现在已经成功地将Open Assistant模型部署到亚马逊云科技Amazon SageMaker并对其进行了推理。此外,还构建了一个快速的gradio应用程序,可以与模型聊天。
现在,可以使用亚马逊云科技Amazon SageMaker上全新Hugging Face LLM DLC构建世代人工智能应用程序的时候了。
5.清理环境
删除模型和端点。
6.总结
从上面的部署过程,可以看到整个部署大语言模型的过程非常简单,这个主要得益于SageMaker Hugging Face LLM DLC的支持,还可以通过将Amazon SageMaker部署的端点与应用集成,满足实际的业务需求。