这是一个关于如何使用新的Hugging Face LLM Inference Container将开源LLMs(如BLOOM)部署到Amazon SageMaker进行推理的示例。我们将部署12B Pythia Open Assistant Model,这是一个使用Open Assistant数据集训练的开源Chat LLM。
示例内容包括:
- 设置开发环境
- 获取新的Hugging Face LLM DLC
- 将Open Assistant 12B部署到Amazon SageMaker
- 运行推理并与我们的模型聊天
- 创建由Amazon SageMaker支持的Gradio Chatbot
你也可以在notebooks存储库中找到示例的代码。
Hugging Face LLM Inference DLC是什么?
Hugging Face LLM DLC是一个新的专门构建的推理容器,可以在安全和托管的环境中轻松部署LLMs。该DLC由Text Generation Inference (TGI)驱动,它是一个用于部署和提供大型语言模型(LLMs)的开源、专门构建的解决方案。TGI利用张量并行和动态批处理实现高性能的文本生成,适用于最流行的开源LLMs,包括StarCoder、BLOOM、GPT-NeoX、Llama和T5。Text Generation Inference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:
- 张量并行和自定义cuda内核
- 通过闪电注意力优化推理的transformer代码,适用于最流行的架构
- 使用bitsandbytes进行量化
- 连续批处理传入请求,提高总吞吐量
- 使用safetensors加速权重加载(启动时间)
- 使用Logits warpers(温度缩放、topk、重复惩罚等)
- 使用A Watermark for Large Language Models进行水印
- 停止序列,对数概率
- 使用Server-Sent Events(SSE)进行令牌流式传输
目前官方支持的模型架构有:
- 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Amazon SageMaker上的新的Hugging Face LLM Inference DLC,AWS客户可以享受到与HuggingChat、OpenAssistant和Hugging Face Hub上的LLM模型推理API相同的技术,实现高并发、低延迟的LLM体验。
让我们开始吧!
1. 设置开发环境
我们将使用sagemaker
python SDK将BLOOM部署到Amazon SageMaker。我们需要确保已配置AWS账户并安装了sagemaker
python SDK。
!pip install "sagemaker==2.163.0" --upgrade --quiet
如果您打算在本地环境中使用Sagemaker,您需要访问具有Sagemaker所需权限的IAM角色。您可以在此处了解更多信息。
import sagemaker
import boto3
sess = sagemaker.Session()
# sagemaker session bucket -> used for uploading data, models and logs
# sagemaker will automatically create this bucket if it not exists
sagemaker_session_bucket=None
if sagemaker_session_bucket is None and sess is not None:
# set to default bucket if a bucket name is not given
sagemaker_session_bucket = sess.default_bucket()
try:
role = sagemaker.get_execution_role()
except ValueError:
iam = boto3.client('iam')
role = iam.get_role(RoleName='sagemaker_execution_role')['Role']['Arn']
sess = sagemaker.Session(default_bucket=sagemaker_session_bucket)
print(f"sagemaker role arn: {role}")
print(f"sagemaker session region: {sess.boto_region_name}")
2. 检索新的Hugging Face LLM DLC
与部署常规的Hugging Face模型相比,我们首先需要检索容器URI,并将其提供给我们的HuggingFaceModel
模型类,其中image_uri
指向该镜像。为了在Amazon SageMaker中检索新的Hugging Face LLM DLC,我们可以使用sagemaker
SDK提供的get_huggingface_llm_image_uri
方法。该方法允许我们根据指定的backend
、session
、region
和version
来检索所需的Hugging Face LLM DLC的URI。您可以在此处找到可用的版本
from sagemaker.huggingface import get_huggingface_llm_image_uri
# 检索llm镜像URI
llm_image = get_huggingface_llm_image_uri(
"huggingface",
version="0.8.2"
)
# 打印ECR镜像URI
print(f"llm镜像URI: {llm_image}")
3. 将Open Assistant 12B部署到Amazon SageMaker
注意:Amazon SageMaker的配额可能因账户而异。如果收到指示已超过配额的错误,可以通过Service Quotas控制台进行增加。
要将Open Assistant模型部署到Amazon SageMaker,我们创建一个HuggingFaceModel
模型类,并定义我们的端点配置,包括hf_model_id
、instance_type
等。我们将使用g5.12xlarge
实例类型,它有4个NVIDIA A10G GPU和96GB的GPU内存。
注意:我们还可以优化成本并使用g5.2xlarge
实例类型并启用int-8量化。
import json
from sagemaker.huggingface import HuggingFaceModel
# SageMaker配置
instance_type = "ml.g5.12xlarge"
number_of_gpu = 4
health_check_timeout = 300
# 定义模型和端点配置参数
config = {
'HF_MODEL_ID': "OpenAssistant/pythia-12b-sft-v8-7k-steps", # hf.co/models中的model_id
'SM_NUM_GPUS': json.dumps(number_of_gpu), # 每个副本使用的GPU数量
'MAX_INPUT_LENGTH': json.dumps(1024), # 输入文本的最大长度
'MAX_TOTAL_TOKENS': json.dumps(2048), # 生成的最大长度(包括输入文本)
# 'HF_MODEL_QUANTIZE': "bitsandbytes", # 解除注释以进行量化
}
# 使用镜像URI创建HuggingFaceModel
llm_model = HuggingFaceModel(
role=role,
image_uri=llm_image,
env=config
)
创建了HuggingFaceModel
之后,我们可以使用deploy
方法将其部署到Amazon SageMaker。我们将使用ml.g5.12xlarge
实例类型部署模型。TGI将自动分配和分片模型到所有GPU上。
# 部署模型到端点
# https://sagemaker.readthedocs.io/en/stable/api/inference/model.html#sagemaker.model.Model.deploy
llm = llm_model.deploy(
initial_instance_count=1,
instance_type=instance_type,
# volume_size=400, # 如果使用具有本地SSD存储的实例,volume_size必须为None,例如p4而不是p3
container_startup_health_check_timeout=health_check_timeout, # 10分钟以加载模型
)
SageMaker现在将创建我们的端点并将模型部署到该端点。这可能需要5-10分钟。
4. 运行推理并与我们的模型聊天
在部署了我们的端点之后,我们可以使用predictor
的predict
方法对其进行推理。我们可以使用不同的参数来控制生成,将其定义在负载的parameters
属性中。截至今天,TGI支持以下参数:
temperature
:控制模型中的随机性。较低的值会使模型更加确定性,而较高的值会使模型更加随机。默认值为1.0。max_new_tokens
:生成的最大标记数。默认值为20,最大值为512。repetition_penalty
:控制重复出现的可能性,默认为null
。seed
:用于随机生成的种子,默认为null
。stop
:停止生成的标记列表。当生成其中一个标记时,生成将停止。top_k
:在top-k过滤中保留的具有最高概率的词汇标记数。默认值为null
,表示禁用top-k过滤。top_p
:在核心抽样中保留的参数最高概率词汇标记的累积概率,默认为null
。do_sample
:是否使用抽样;否则使用贪婪解码。默认值为false
。best_of
:生成best_of序列,并返回具有最高标记logprobs的序列。默认为null
。details
:是否返回有关生成的详细信息。默认值为false
。return_full_text
:是否返回完整文本或仅返回生成的部分。默认值为false
。truncate
:是否将输入截断为模型的最大长度。默认值为true
。typical_p
:标记的典型概率。默认值为null
。watermark
:用于生成的水印。默认值为false
。
您可以在Swagger文档中找到TGI的开放API规范
OpenAssistant/pythia-12b-sft-v8-7k-steps
是一个对话式聊天模型,意味着我们可以使用以下提示与其聊天:
<|prompter|>[指令]<|endoftext|>
<|assistant|>
让我们首先尝试一下,并询问一些夏天的酷点子:
chat = llm.predict({
"inputs": """<|prompter|>夏天有哪些酷点子?<|endoftext|><|assistant|>"""
})
print(chat[0]["generated_text"])
# <|prompter|>夏天有哪些酷点子?<|endoftext|><|assistant|>夏天有很多有趣的事情可以做。以下是一些点子:
现在我们将展示如何在负载的parameters
属性中使用生成参数。除了设置自定义的temperature
、top_p
等,我们还会在bot
的轮次之后停止生成。
# 定义负载
prompt="""<|prompter|>冬天如何保持更活跃?给我三个建议。<|endoftext|><|assistant|>"""
# llm的超参数
payload = {
"inputs": prompt,
"parameters": {
"do_sample": True,
"top_p": 0.7,
"temperature": 0.7,
"top_k": 50,
"max_new_tokens": 256,
"repetition_penalty": 1.03,
"stop": ["<|endoftext|>"]
}
}
# 发送请求到端点
response = llm.predict(payload)
# print(response[0]["generated_text"][:-len("<human>:")])
print(response[0]["generated_text"])
5. 创建由Amazon SageMaker支持的Gradio Chatbot
我们还可以创建一个Gradio应用程序来与我们的模型进行聊天。Gradio是一个Python库,允许您快速创建可自定义的UI组件,围绕您的机器学习模型。您可以在这里了解更多关于Gradio的信息。
!pip install gradio --upgrade
import gradio as gr
# llm的超参数
parameters = {
"do_sample": True,
"top_p": 0.7,
"temperature": 0.7,
"top_k": 50,
"max_new_tokens": 256,
"repetition_penalty": 1.03,
"stop": ["<|endoftext|>"]
}
with gr.Blocks() as demo:
gr.Markdown("## 与Amazon SageMaker聊天")
with gr.Column():
chatbot = gr.Chatbot()
with gr.Row():
with gr.Column():
message = gr.Textbox(label="聊天消息框", placeholder="聊天消息框", show_label=False)
with gr.Column():
with gr.Row():
submit = gr.Button("提交")
clear = gr.Button("清除")
def respond(message, chat_history):
# 将聊天历史转换为提示
converted_chat_history = ""
if len(chat_history) > 0:
for c in chat_history:
converted_chat_history += f"<|prompter|>{c[0]}<|endoftext|><|assistant|>{c[1]}<|endoftext|>"
prompt = f"{converted_chat_history}<|prompter|>{message}<|endoftext|><|assistant|>"
# 发送请求到端点
llm_response = llm.predict({"inputs": prompt, "parameters": parameters})
# 从响应中删除提示
parsed_response = llm_response[0]["generated_text"][len(prompt):]
chat_history.append((message, parsed_response))
return "", chat_history
submit.click(respond, [message, chatbot], [message, chatbot], queue=False)
clear.click(lambda: None, None, chatbot, queue=False)
demo.launch(share=True)
太棒了!🚀 我们已经成功将Open Assistant模型部署到Amazon SageMaker并对其进行推理。此外,我们还构建了一个快速的Gradio应用程序,可以与我们的模型进行聊天。
现在,是时候让您自己尝试并使用新的Hugging Face LLM DLC在Amazon SageMaker上构建生成AI应用程序了。
为了清理,我们可以删除模型和端点。
llm.delete_model()
llm.delete_endpoint()
结论
新的Hugging Face LLM推理DLC使客户能够轻松安全地在Amazon SageMaker上部署开源LLM。易于使用的API和部署过程使客户能够构建可扩展的AI聊天机器人和虚拟助手,使用Open Assistant等最先进的模型。总体而言,这个新的DLC将为开发人员和企业提供利用自然语言生成的最新进展的能力。
感谢您的阅读!如果您有任何问题,请随时在Twitter或LinkedIn上与我联系。