08. HuggingFace Pipeline

HuggingFace Pipeline

HuggingFace Local Pipelines

class HuggingFacePipeline memungkinkan Anda menjalankan model Hugging Face secara lokal.

Hugging Face Model Hub menampung lebih dari 120.000 model, 20.000 set data, dan 50.000 aplikasi demo (Spaces) di platform online, yang semuanya bersifat open source dan tersedia untuk umum, sehingga memudahkan orang untuk berkolaborasi dan membangun ML bersama-sama.

Model-model ini dapat digunakan di LangChain dengan memanggilnya melalui pembungkus pipeline lokal ini, atau dengan memanggil titik akhir inferensi yang dihosting melalui kelas HuggingFaceHub. Untuk informasi lebih lanjut tentang pipa yang dihosting, lihat buku catatan HuggingFaceHub.

Untuk menggunakannya, Anda harus memiliki paket Python transformer yang diinstal dengan PyTorch

Anda juga dapat menginstal xformer untuk implementasi perhatian yang lebih hemat memori.

%pip install --upgrade --quiet  transformers --quiet

Mengatur path untuk mengunduh model

# path untuk mengunduh model HuggingFace/talkizer
import os

# atur untuk mengunduh ke jalur ./cache/
os.environ["TRANSFORMERS_CACHE"] = "./cache/"
os.environ["HF_HOME"] = "./cache/"

Model loading

Model dapat dimuat dengan menentukan parameter model menggunakan metode from_model_id.

• Gunakan class HuggingFacePipeline untuk memuat model wajah berpelukan yang telah dilatih sebelumnya.

• Gunakan metode from_model_id untuk menentukan model beomi/llama-2-en-7b, dan atur aksi ke “text-generation”.

• Gunakan parameter pipeline_kwargs untuk membatasi jumlah maksimum token yang akan dihasilkan hingga 10.

• Model yang dimuat ditetapkan ke variabel hf, yang memungkinkan Anda untuk melakukan tugas pembuatan teks.

Model yang digunakan: https://huggingface.co/beomi/llama-2-ko-7b

from langchain_community.llms.huggingface_pipeline import HuggingFacePipeline

# Unduh model HuggingFace.
hf = HuggingFacePipeline.from_model_id(
    model_id=“beomi/llama-2-ko-7b”, # Tentukan ID model yang akan digunakan.
    task = “text-generation”, # Tentukan tugas yang akan dilakukan. Dalam hal ini, ini adalah pembuatan teks.
    # Tetapkan argumen tambahan yang akan diteruskan ke pipeline. Di sini kita membatasi jumlah maksimum token yang akan dihasilkan hingga 10.
    pipeline_kwargs = {“max_new_token”: 512},
)

Anda juga dapat melewatkan pipeline transformer yang sudah ada secara langsung untuk memuatnya.

Menerapkan model pembuatan teks menggunakan HuggingFacePipeline.

• Muat model beomi/llama-2-en-7b dan tokeniser menggunakan AutoTokeniser dan AutoModelForCausalLM.

• Buat pipeline “text-generation” menggunakan fungsi pipeline, dan siapkan model dan tokeniser. Batasi jumlah maksimum token yang dihasilkan hingga 10.

• Buat objek hf menggunakan kelas HuggingFacePipeline, dan berikan pipeline yang dihasilkan.

Anda dapat menggunakan objek hf yang dihasilkan ini untuk melakukan pembuatan teks untuk prompt yang diberikan.

from langchain_community.llms.huggingface_pipeline import HuggingFacePipeline
from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline

model_id = “beomi/llama-2-en-7b” # Tentukan ID model yang akan digunakan.
tokenizer = AutoTokenizer.from_pretrained(
    model_id
) # Memuat tokeniser untuk model yang ditentukan.
model = AutoModelForCausalLM.from_pretrained(model_id) # Memuat model yang ditentukan.
# Buat pipeline pembuatan teks, dan atur jumlah maksimum token baru yang akan dihasilkan menjadi 10.
pipe = pipeline(“text-generation”, model = model,
                tokenizer = tokenizer, max_new_token = 512)
# Buat objek HuggingFacePipeline dan berikan pipeline yang telah dibuat.
hf = HuggingFacePipeline(pipeline=pipe)

Membuat Chain

Setelah model dimuat ke dalam memori, model tersebut dapat dikonfigurasikan dengan prompt untuk membentuk rantai.

• Gunakan class PromptTemplate untuk membuat template prompt yang mendefinisikan format pertanyaan dan jawaban.

• Pipeline objek prompt dan objek hf untuk membuat objek chain.

• Panggil metode chain.invoke() untuk membuat dan mencetak jawaban dari pertanyaan yang diberikan.

from langchain.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser

template = """Jawablah pertanyaan berikut dalam bahasa Indonesia.
#Pertanyaan:
{pertanyaan}

#Pertanyaan: {pertanyaan} #Jawaban: """ # Template untuk menentukan format pertanyaan dan jawaban
prompt = PromptTemplate.from_template(template) # membuat objek prompt menggunakan template

# membuat chain dengan menggabungkan prompt dan model bahasa
chain = prompt | hf | StrOutputParser()

question = “Apa ibu kota Indonesia?” # Mendefinisikan pertanyaan

print(
    chain.invoke({“pertanyaan”: pertanyaan})
) # Memanggil chain untuk menghasilkan dan mencetak jawaban dari pertanyaan

Inferensi GPU

Ketika menjalankan pada GPU, Anda dapat menentukan parameter device=n untuk menempatkan model pada perangkat tertentu.

Nilai defaultnya adalah -1, yang melakukan inferensi pada CPU.

Jika Anda memiliki beberapa GPU atau model Anda terlalu besar untuk satu GPU, Anda dapat menentukan device_map=“auto”.

Dalam kasus ini, library Accelerate diperlukan dan akan digunakan untuk secara otomatis menentukan cara memuat bobot model.

Perhatian: device dan device_map tidak boleh ditentukan secara bersamaan, karena hal ini dapat menyebabkan perilaku yang tidak diharapkan.

• Muat model gpt2 menggunakan HuggingFacePipeline, atur parameter device ke 0 agar dapat berjalan pada GPU.

• Gunakan parameter pipeline_kwargs untuk membatasi jumlah maksimum token yang akan dihasilkan menjadi 10.

• Buat gpu_chain dengan pipelining prompt dan gpu_llm.

• Panggil metode gpu_chain.invoke() untuk menghasilkan dan menampilkan jawaban dari pertanyaan yang diberikan.

gpu_llm = HuggingFacePipeline.from_model_id(
    model_id=“beomi/llama-2-en-7b”, # Tentukan ID model yang akan digunakan.
    task = “text-generation”, # Tetapkan tugas yang akan dilakukan. Dalam hal ini, ini adalah pembuatan teks.
    # Tentukan nomor perangkat GPU yang akan digunakan. Jika diatur ke “auto”, maka akan menggunakan library accelerate.
    device=0,
    # Tetapkan argumen tambahan yang akan diteruskan ke pipeline. Di sini kita membatasi jumlah maksimum token yang akan dihasilkan hingga 10.
    pipeline_kwargs = {“max_new_token”: 64},
)

gpu_chain = prompt | gpu_llm # Gabungkan prompt dan gpu_llm untuk membuat gpu_chain.

# Menggabungkan prompt dan model bahasa untuk membuat rantai
gpu_chain = prompt | gpu_llm | StrOutputParser()

question = “Apa ibu kota Indonesia?” # mendefinisikan pertanyaan

# panggil chain untuk menghasilkan dan mencetak jawaban dari pertanyaan
print(gpu_chain.invoke({“question”: question}))

Batch GPU Inference

Jika dijalankan pada perangkat GPU, Anda dapat menjalankan inferensi pada GPU dalam mode batch.

• Menggunakan HuggingFacePipeline, Anda bisa memuat model beomi/llama-2-ko-7b dan mengatur agar dijalankan di GPU.

• Saat membuat gpu_llm, atur batch_size menjadi 2, temperature menjadi 0, dan max_length menjadi 64.

• Hubungkan prompt dan gpu_llm melalui sebuah pipeline untuk membuat gpu_chain, lalu atur token penutup menjadi "\n\n".

• Gunakan gpu_chain.batch() untuk menghasilkan jawaban secara paralel untuk pertanyaan-pertanyaan dalam questions.

• Cetak jawaban yang dihasilkan melalui loop.

gpu_llm = HuggingFacePipeline.from_model_id(
    model_id="beomi/llama-2-ko-7b",  # Menentukan ID model yang akan digunakan.
    task="text-generation",  # Menetapkan tugas yang akan dilakukan.
    device=0,  # Menentukan nomor perangkat GPU. -1 berarti menggunakan CPU.
    batch_size=2,  # Menyesuaikan ukuran batch. Sesuaikan dengan memori GPU dan ukuran model.
    model_kwargs={
        "temperature": 0,
        "max_length": 256,
    },  # Menetapkan argumen tambahan yang akan diberikan ke model.
)

# Membuat chain dengan menghubungkan prompt dan model bahasa.
gpu_chain = prompt | gpu_llm.bind(stop=["\n\n"])

questions = []
for i in range(4):
    # Membuat daftar pertanyaan.
    questions.append({"question": f"Apa yang dimaksud dengan angka {i} dalam bahasa Indoensia?"})  # "Apa angka {i} dalam bahasa Indonesia?"

answers = gpu_chain.batch(questions)  # Memproses daftar pertanyaan dalam batch untuk menghasilkan jawaban.
for answer in answers:
    print(answer)