Hugging Face LLM部署大语言模型到亚马逊云科技Amazon SageMaker推理示例

 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。

审核编辑 黄宇