本篇文章主要介紹如何使用新的Hugging Face LLM推理容器將開源LLMs，比如BLOOM大型語言模型部署到亞馬遜云科技Amazon SageMaker進(jìn)行推理的示例。我們將部署12B Open Assistant Model，這是一款由開放助手計劃訓(xùn)練的開源Chat LLM。

這個示例包括：

設(shè)置開發(fā)環(huán)境

獲取全新Hugging Face LLM DLC

將開放助手12B部署到亞馬遜云科技Amazon SageMaker

進(jìn)行推理并與我們的模型聊天

清理環(huán)境

什么是Hugging Face LLM Inference DLC？

Hugging Face LLM DLC是一款全新的專用推理容器，可在安全的托管環(huán)境中輕松部署LLM。DLC由文本生成推理（TGI）提供支持，這是一種用于部署和服務(wù)大型語言模型（LLM）的開源、專門構(gòu)建的解決方案。TGI使用張量并行和動態(tài)批處理為最受歡迎的開源LLM（包括StarCoder、BLOOM、GPT-Neox、Llama和T5）實現(xiàn)高性能文本生成。文本生成推理已被IBM、Grammarly等客戶使用，Open-Assistant計劃對所有支持的模型架構(gòu)進(jìn)行了優(yōu)化，包括：

張量并行性和自定義cuda內(nèi)核

在最受歡迎的架構(gòu)上使用flash-attention優(yōu)化了用于推理的變形器代碼

使用bitsandbytes進(jìn)行量化

連續(xù)批處理傳入的請求以增加總吞吐量

使用safetensors加速重量加載（啟動時間）

Logits扭曲器（溫度縮放、topk、重復(fù)懲罰…）

用大型語言模型的水印添加水印

停止序列，記錄概率

使用服務(wù)器發(fā)送事件（SSE）進(jìn)行Token流式傳輸

官方支持的模型架構(gòu)目前為：

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

借助亞馬遜云科技Amazon SageMaker上推出的全新Hugging Face LLM Inference DLC，亞馬遜云科技客戶可以從支持高度并發(fā)、低延遲LLM體驗的相同技術(shù)中受益，例如HuggingChat、OpenAssistant和Hugging Face Hub上的LLM模型推理API。

1.設(shè)置開發(fā)環(huán)境

使用SageMaker python SDK將OpenAssistant/pythia-12b-sft-v8-7k-steps部署到亞馬遜云科技Amazon SageMaker。需要確保配置一個亞馬遜云科技賬戶并安裝SageMaker python SDK。

如果打算在本地環(huán)境中使用SageMaker。需要訪問具有亞馬遜云科技Amazon SageMaker所需權(quán)限的IAM角色。可以在這里找到更多關(guān)于它的信息。

2.獲取全新Hugging Face LLM DLC

與部署常規(guī)的HuggingFace模型相比，首先需要檢索容器URI并將其提供給HuggingFaceModel模型類，并使用image_uri指向該鏡像。要在亞馬遜云科技Amazon SageMaker中檢索新的HuggingFace LLM DLC，可以使用SageMaker SDK 提供的get_huggingface_llm_image_uri方法。此方法允許根據(jù)指定的 “后端”、“會話”、“區(qū)域” 和 “版本”檢索所需的Hugging Face LLM DLC 的 URI。

要將[Open Assistant Model]（openAssistant/Pythia-12b-sft-v8-7K-steps）部署到亞馬遜云科技Amazon SageMaker，創(chuàng)建一個HuggingFaceModel模型類并定義終端節(jié)點配置，包括hf_model_id、instance_type等。使用g5.4xlarge實例類型，它有1個NVIDIA A10G GPU和64GB的GPU內(nèi)存。

亞馬遜云科技Amazon SageMaker現(xiàn)在創(chuàng)建端點并將模型部署到該端點。這可能需要10-15分鐘。

4.進(jìn)行推理并與模型聊天

部署終端節(jié)點后，可以對其進(jìn)行推理。使用predictor中的predict方法在端點上進(jìn)行推理。可以用不同的參數(shù)進(jìn)行推斷來影響生成。參數(shù)可以設(shè)置在parameter中設(shè)置。

溫度：控制模型中的隨機性。較低的值將使模型更具確定性，而較高的值將使模型更隨機。默認(rèn)值為0。

max_new_tokens：要生成的最大token數(shù)量。默認(rèn)值為20，最大值為512。

repeption_penalty：控制重復(fù)的可能性，默認(rèn)為null。

seed：用于隨機生成的種子，默認(rèn)為null。

stop：用于停止生成的代幣列表。生成其中一個令牌后，生成將停止。

top_k：用于top-k篩選時保留的最高概率詞匯標(biāo)記的數(shù)量。默認(rèn)值為null，它禁用top-k過濾。

top_p：用于核采樣時保留的參數(shù)最高概率詞匯標(biāo)記的累積概率，默認(rèn)為null。

do_sample：是否使用采樣；否則使用貪婪的解碼。默認(rèn)值為false。

best_of：生成best_of序列如果是最高標(biāo)記logpros則返回序列，默認(rèn)為null。

details：是否返回有關(guān)世代的詳細(xì)信息。默認(rèn)值為false。

return_full_text：是返回全文還是只返回生成的部分。默認(rèn)值為false。

truncate：是否將輸入截斷到模型的最大長度。默認(rèn)值為true。

typical_p：代幣的典型概率。默認(rèn)值null。

水印：生成時使用的水印。默認(rèn)值為false。

可以在swagger文檔中找到TGI的開放api規(guī)范。

openAssistant/Pythia-12b-sft-v8-7K-steps是一種對話式聊天模型，這意味著我們可以使用以下提示與它聊天：

先試一試，問一下夏天可以做的一些很酷的想法：

現(xiàn)在，使用不同的參數(shù)進(jìn)行推理，以影響生成。參數(shù)可以通過輸入的parameters屬性定義。這可以用來讓模型在“機器人”回合后停止生成。

現(xiàn)在構(gòu)建一個快速gradio應(yīng)用程序來和它聊天。

程序運行成功后，顯示如下聊天窗口：

現(xiàn)在已經(jīng)成功地將Open Assistant模型部署到亞馬遜云科技Amazon SageMaker并對其進(jìn)行了推理。此外，還構(gòu)建了一個快速的gradio應(yīng)用程序，可以與模型聊天。

現(xiàn)在，可以使用亞馬遜云科技Amazon SageMaker上全新Hugging Face LLM DLC構(gòu)建世代人工智能應(yīng)用程序的時候了。

5.清理環(huán)境

刪除模型和端點。

6.總結(jié)

從上面的部署過程，可以看到整個部署大語言模型的過程非常簡單，這個主要得益于SageMaker Hugging Face LLM DLC的支持，還可以通過將Amazon SageMaker部署的端點與應(yīng)用集成，滿足實際的業(yè)務(wù)需求。

審核編輯 黃宇