用 Hugging Face 推理端点部署 LLM

开源的 LLM，如 Falcon、(Open-)LLaMA、X-Gen、StarCoder 或 RedPajama，近几个月来取得了长足的进展，能够在某些用例中与闭源模型如 ChatGPT 或 GPT4 竞争。然而，有效且优化地部署这些模型仍然是一个挑战。

在这篇博客文章中，我们将向你展示如何将开源 LLM 部署到 Hugging Face Inference Endpoints，这是我们的托管 SaaS 解决方案，可以轻松部署模型。此外，我们还将教你如何流式传输响应并测试我们端点的性能。那么，让我们开始吧！

1. 怎样部署 Falcon 40B instruct 模型
2. 测试 LLM 端点
3. 用 javascript 和 python 进行流响应传输

在我们开始之前，让我们回顾一下关于推理端点的知识。

什么是 Hugging Face 推理端点

Hugging Face 推理端点 提供了一种简单、安全的方式来部署用于生产的机器学习模型。推理端点使开发人员和数据科学家都能够创建 AI 应用程序而无需管理基础设施: 简化部署过程为几次点击，包括使用自动扩展处理大量请求，通过缩减到零来降低基础设施成本，并提供高级安全性。

以下是 LLM 部署的一些最重要的特性:

1. 简单部署: 只需几次点击即可将模型部署为生产就绪的 API，无需处理基础设施或 MLOps。
2. 成本效益: 利用自动缩减到零的能力，通过在端点未使用时缩减基础设施来降低成本，同时根据端点的正常运行时间付费，确保成本效益。
3. 企业安全性: 在仅通过直接 VPC 连接可访问的安全离线端点中部署模型，由 SOC2 类型 2 认证支持，并提供 BAA 和 GDPR 数据处理协议，以增强数据安全性和合规性。
4. LLM 优化: 针对 LLM 进行了优化，通过自定义 transformers 代码和 Flash Attention 来实现高吞吐量和低延迟。
5. 全面的任务支持: 开箱即用地支持 Transformers、Sentence-Transformers 和 Diffusers 任务和模型，并且易于定制以启用高级任务，如说话人分离或任何机器学习任务和库。

你可以在 https://ui.endpoints.huggingface.co/ 开始使用推理端点。

1. 怎样部署 Falcon 40B instruct

要开始使用，你需要使用具有文件付款方式的用户或组织帐户登录 (你可以在 这里 添加一个)，然后访问推理端点 https://ui.endpoints.huggingface.co。

然后，点击“新建端点”。选择仓库、云和区域，调整实例和安全设置，并在我们的情况下部署 tiiuae/falcon-40b-instruct 。

推理端点会根据模型大小建议实例类型，该类型应足够大以运行模型。这里是 4x NVIDIA T4 GPU。为了获得 LLM 的最佳性能，请将实例更改为 GPU [xlarge] · 1x Nvidia A100 。

注意: 如果无法选择实例类型，则需要 联系我们 并请求实例配额。

然后，你可以点击“创建端点”来部署模型。10 分钟后，端点应该在线并可用于处理请求。

2. 测试 LLM 端点

端点概览提供了对推理小部件的访问，可以用来手动发送请求。这使你可以使用不同的输入快速测试你的端点并与团队成员共享。这些小部件不支持参数 - 在这种情况下，这会导致“较短的”生成。

该小部件还会生成一个你可以使用的 cURL 命令。只需添加你的 hf_xxx 并进行测试。

curl https://j4xhm53fxl9ussm8.us-east-1.aws.endpoints.huggingface.cloud \
-X POST \
-d '{"inputs":"Once upon a time,"}' \
-H "Authorization: Bearer <hf_token>" \
-H "Content-Type: application/json"

你可以使用不同的参数来控制生成，将它们定义在有效负载的 parameters 属性中。截至目前，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确定性，较高的值会使模型更随机。默认值为 1.0。
• max_new_tokens: 要生成的最大 token 数。默认值为 20，最大值为 512。
• repetition_penalty: 控制重复的可能性。默认值为 null 。
• seed: 用于随机生成的种子。默认值为 null 。
• stop: 停止生成的 token 列表。当生成其中一个 token 时，生成将停止。
• top_k: 保留概率最高的词汇表 token 数以进行 top-k 过滤。默认值为 null ，禁用 top-k 过滤。
• top_p: 保留核心采样的参数最高概率词汇表 token 的累积概率，默认为 null
• do_sample: 是否使用采样; 否则使用贪婪解码。默认值为 false 。
• best_of: 生成 best_of 序列并返回一个最高 token 的 logprobs，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: token 的典型概率。默认值为 null 。
• watermark: 用于生成的水印。默认值为 false 。

3. 用 javascript 和 python 进行流响应传输

使用 LLM 请求和生成文本可能是一个耗时且迭代的过程。改善用户体验的一个好方法是在生成 token 时将它们流式传输给用户。下面是两个使用 Python 和 JavaScript 流式传输 token 的示例。对于 Python，我们将使用 Text Generation Inference 的客户端，对于 JavaScript，我们将使用 HuggingFace.js 库。

使用 Python 流式传输请求

首先，你需要安装 huggingface_hub 库:

pip install -U huggingface_hub

我们可以创建一个 InferenceClient ，提供我们的端点 URL 和凭据以及我们想要使用的超参数。

from huggingface_hub import InferenceClient
# HF Inference Endpoints parameter
endpoint_url = "https://YOUR_ENDPOINT.endpoints.huggingface.cloud"
hf_token = "hf_YOUR_TOKEN"
# Streaming Client
client = InferenceClient(endpoint_url, token=hf_token)
# generation parameter
gen_kwargs = dict(
    max_new_tokens=512,
    top_k=30,
    top_p=0.9,
    temperature=0.2,
    repetition_penalty=1.02,
    stop_sequences=["\nUser:", "<|endoftext|>", "</s>"],
)
# prompt
prompt = "What can you do in Nuremberg, Germany? Give me 3 Tips"
stream = client.text_generation(prompt, stream=True, details=True, **gen_kwargs)
# yield each generated token
for r in stream:
    # skip special tokens
    if r.token.special:
        continue
    # stop if we encounter a stop sequence
    if r.token.text in gen_kwargs["stop_sequences"]:
        break
    # yield the generated token
    print(r.token.text, end = "")
    # yield r.token.text

将 print 命令替换为 yield 或你想要将 token 流式传输到的函数。

使用 Javascript 流式传输请求

首先你需要安装 @huggingface/inference 库

npm install @huggingface/inference

我们可以创建一个 HfInferenceEndpoint ，提供我们的端点 URL 和凭据以及我们想要使用的超参数。

import { HfInferenceEndpoint } from '@huggingface/inference'
const hf = new HfInferenceEndpoint('https://YOUR_ENDPOINT.endpoints.huggingface.cloud', 'hf_YOUR_TOKEN')
//generation parameter
const gen_kwargs = {
  max_new_tokens: 512,
  top_k: 30,
  top_p: 0.9,
  temperature: 0.2,
  repetition_penalty: 1.02,
  stop_sequences: ['\nUser:', '<|endoftext|>', '</s>'],
}
// prompt
const prompt = 'What can you do in Nuremberg, Germany? Give me 3 Tips'
const stream = hf.textGenerationStream({ inputs: prompt, parameters: gen_kwargs })
for await (const r of stream) {
  // # skip special tokens
  if (r.token.special) {
    continue
  }
  // stop if we encounter a stop sequence
  if (gen_kwargs['stop_sequences'].includes(r.token.text)) {
    break
  }
  // yield the generated token
  process.stdout.write(r.token.text)
}

将 process.stdout 调用替换为 yield 或你想要将 token 流式传输到的函数。

结论

在这篇博客文章中，我们向你展示了如何使用 Hugging Face 推理端点部署开源 LLM，如何使用高级参数控制文本生成，以及如何将响应流式传输到 Python 或 JavaScript 客户端以提高用户体验。通过使用 Hugging Face 推理端点，你可以只需几次点击即可将模型部署为生产就绪的 API，通过自动缩减到零来降低成本，并在 SOC2 类型 2 认证的支持下将模型部署到安全的离线端点。

感谢你的阅读！如果你有任何问题，请随时在 Twitter 或 LinkedIn 上联系我。

---

英文原文: https://hf.co/blog/inference-endpoints-llm

作者: Philipp Schmid

译者: innovation64

审校/排版: zhongdongy (阿东)