【AI大模型开发者指南】llama3 web部署实战与原理解析(logits_warper、logits_processor)
创始人
2025-01-08 16:06:20
0

【AI大模型开发者指南】llama3 web部署实战与原理解析

streamlit脚本

import copy import warnings from dataclasses import asdict, dataclass from typing import Callable, List, Optional  import streamlit as st import torch from torch import nn from transformers.generation.utils import (LogitsProcessorList,                                            StoppingCriteriaList) from transformers.utils import logging  from transformers import AutoTokenizer, AutoModelForCausalLM  # isort: skip  logger = logging.get_logger(__name__)   @dataclass class GenerationConfig:     # this config is used for chat to provide more diversity     max_length: int = 32768     top_p: float = 0.8     temperature: float = 0.8     do_sample: bool = True     repetition_penalty: float = 1.005   @torch.inference_mode() def generate_interactive(     model,     tokenizer,     prompt,     generation_config: Optional[GenerationConfig] = None,     logits_processor: Optional[LogitsProcessorList] = None,     stopping_criteria: Optional[StoppingCriteriaList] = None,     prefix_allowed_tokens_fn: Optional[Callable[[int, torch.Tensor],                                                 List[int]]] = None,     additional_eos_token_id: Optional[int] = None,     **kwargs, ):     inputs = tokenizer([prompt], return_tensors='pt')     input_length = len(inputs['input_ids'][0])     for k, v in inputs.items():         inputs[k] = v.cuda()     input_ids = inputs['input_ids']     _, input_ids_seq_length = input_ids.shape[0], input_ids.shape[-1]     if generation_config is None:         generation_config = model.generation_config     generation_config = copy.deepcopy(generation_config)     model_kwargs = generation_config.update(**kwargs)     bos_token_id, eos_token_id = (  # noqa: F841  # pylint: disable=W0612         generation_config.bos_token_id,         generation_config.eos_token_id,     )     if isinstance(eos_token_id, int):         eos_token_id = [eos_token_id]     if additional_eos_token_id is not None:         eos_token_id.append(additional_eos_token_id)     has_default_max_length = kwargs.get(         'max_length') is None and generation_config.max_length is not None     if has_default_max_length and generation_config.max_new_tokens is None:         warnings.warn(             f"Using 'max_length''s default ({repr(generation_config.max_length)}) \                 to control the generation length. "             'This behaviour is deprecated and will be removed from the \                 config in v5 of Transformers -- we'             ' recommend using `max_new_tokens` to control the maximum \                 length of the generation.',             UserWarning,         )     elif generation_config.max_new_tokens is not None:         generation_config.max_length = generation_config.max_new_tokens + \             input_ids_seq_length         if not has_default_max_length:             logger.warn(  # pylint: disable=W4902                 f"Both 'max_new_tokens' (={generation_config.max_new_tokens}) "                 f"and 'max_length'(={generation_config.max_length}) seem to "                 "have been set. 'max_new_tokens' will take precedence. "                 'Please refer to the documentation for more information. '                 '(https://huggingface.co/docs/transformers/main/'                 'en/main_classes/text_generation)',                 UserWarning,             )      if input_ids_seq_length >= generation_config.max_length:         input_ids_string = 'input_ids'         logger.warning(             f"Input length of {input_ids_string} is {input_ids_seq_length}, "             f"but 'max_length' is set to {generation_config.max_length}. "             'This can lead to unexpected behavior. You should consider'             " increasing 'max_new_tokens'.")      # 2. Set generation parameters if not already defined     logits_processor = logits_processor if logits_processor is not None \         else LogitsProcessorList()     stopping_criteria = stopping_criteria if stopping_criteria is not None \         else StoppingCriteriaList()      logits_processor = model._get_logits_processor(         generation_config=generation_config,         input_ids_seq_length=input_ids_seq_length,         encoder_input_ids=input_ids,         prefix_allowed_tokens_fn=prefix_allowed_tokens_fn,         logits_processor=logits_processor,     )      stopping_criteria = model._get_stopping_criteria(         generation_config=generation_config,         stopping_criteria=stopping_criteria)     logits_warper = model._get_logits_warper(generation_config)      unfinished_sequences = input_ids.new(input_ids.shape[0]).fill_(1)     scores = None     while True:         model_inputs = model.prepare_inputs_for_generation(             input_ids, **model_kwargs)         # forward pass to get next token         outputs = model(             **model_inputs,             return_dict=True,             output_attentions=False,             output_hidden_states=False,         )          next_token_logits = outputs.logits[:, -1, :]          # pre-process distribution         next_token_scores = logits_processor(input_ids, next_token_logits)         next_token_scores = logits_warper(input_ids, next_token_scores)          # sample         probs = nn.functional.softmax(next_token_scores, dim=-1)         if generation_config.do_sample:             next_tokens = torch.multinomial(probs, num_samples=1).squeeze(1)         else:             next_tokens = torch.argmax(probs, dim=-1)          # update generated ids, model inputs, and length for next step         input_ids = torch.cat([input_ids, next_tokens[:, None]], dim=-1)         model_kwargs = model._update_model_kwargs_for_generation(             outputs, model_kwargs, is_encoder_decoder=False)         unfinished_sequences = unfinished_sequences.mul(             (min(next_tokens != i for i in eos_token_id)).long())          output_token_ids = input_ids[0].cpu().tolist()         output_token_ids = output_token_ids[input_length:]         for each_eos_token_id in eos_token_id:             if output_token_ids[-1] == each_eos_token_id:                 output_token_ids = output_token_ids[:-1]         response = tokenizer.decode(output_token_ids)          yield response         # stop when each sentence is finished         # or if we exceed the maximum length         if unfinished_sequences.max() == 0 or stopping_criteria(                 input_ids, scores):             break   def on_btn_click():     del st.session_state.messages   @st.cache_resource def load_model(arg1):     # model = AutoModelForCausalLM.from_pretrained(args.m).cuda()     # tokenizer = AutoTokenizer.from_pretrained(args.m, trust_remote_code=True)     model = AutoModelForCausalLM.from_pretrained(arg1, torch_dtype=torch.float16).cuda()     tokenizer = AutoTokenizer.from_pretrained(arg1, trust_remote_code=True)         return model, tokenizer   def prepare_generation_config():     with st.sidebar:         max_length = st.slider('Max Length',                                min_value=8,                                max_value=8192,                                value=8192)         top_p = st.slider('Top P', 0.0, 1.0, 0.8, step=0.01)         temperature = st.slider('Temperature', 0.0, 1.0, 0.7, step=0.01)         st.button('Clear Chat History', on_click=on_btn_click)      generation_config = GenerationConfig(max_length=max_length,                                          top_p=top_p,                                          temperature=temperature)      return generation_config   user_prompt = '<|start_header_id|>user<|end_header_id|>\n\n{user}<|eot_id|>' robot_prompt = '<|start_header_id|>assistant<|end_header_id|>\n\n{robot}<|eot_id|>' cur_query_prompt = '<|start_header_id|>user<|end_header_id|>\n\n{user}<|eot_id|><|start_header_id|>assistant<|end_header_id|>\n\n'   def combine_history(prompt):     messages = st.session_state.messages     total_prompt = ''     for message in messages:         cur_content = message['content']         if message['role'] == 'user':             cur_prompt = user_prompt.format(user=cur_content)         elif message['role'] == 'robot':             cur_prompt = robot_prompt.format(robot=cur_content)         else:             raise RuntimeError         total_prompt += cur_prompt     total_prompt = total_prompt + cur_query_prompt.format(user=prompt)     return total_prompt   def main(arg1):     # torch.cuda.empty_cache()     print('load model begin.')     model, tokenizer = load_model(arg1)     print('load model end.')      st.title('Llama3-Instruct')      generation_config = prepare_generation_config()      # Initialize chat history     if 'messages' not in st.session_state:         st.session_state.messages = []      # Display chat messages from history on app rerun     for message in st.session_state.messages:         with st.chat_message(message['role']):             st.markdown(message['content'])      # Accept user input     if prompt := st.chat_input('Hello!'):         # Display user message in chat message container         with st.chat_message('user'):             st.markdown(prompt)         real_prompt = combine_history(prompt)         # Add user message to chat history         st.session_state.messages.append({             'role': 'user',             'content': prompt,         })          with st.chat_message('robot'):             message_placeholder = st.empty()             for cur_response in generate_interactive(                     model=model,                     tokenizer=tokenizer,                     prompt=real_prompt,                     additional_eos_token_id=128009,  # <|eot_id|>                     **asdict(generation_config),             ):                 # Display robot response in chat message container                 message_placeholder.markdown(cur_response + '▌')             message_placeholder.markdown(cur_response)         # Add robot response to chat history         st.session_state.messages.append({             'role': 'robot',             'content': cur_response,  # pylint: disable=undefined-loop-variable         })         torch.cuda.empty_cache()   if __name__ == '__main__':      import sys     arg1 = sys.argv[1]     main(arg1)  

基于streamlit的web部署的核心便是实现streamlit app,以上是一个llama3 web demo的streamlit脚本,输入参数只有一个——llama3的模型目录

让我们来分析该脚本

主函数

main 函数作为一个基于 Streamlit 的交互式聊天应用程序的主入口,该程序使用机器学习模型进行自然语言处理。以下是对 main 函数关键组成部分和步骤的解析:

  1. 模型和分词器加载:
  • 函数开始时先清理 CUDA 缓存以释放 GPU 内存,尽管这一行被注释掉了(# torch.cuda.empty_cache())。
  • 然后,输出加载模型过程开始和结束的消息。
  • 调用 load_model 函数并传入参数 arg1(可能是模型标识符),将预训练的因果语言模型和分词器加载到 CUDA 内存中,并将张量转换为 float16 以提高计算效率。
  1. Streamlit 用户界面设置:
  • 函数使用 prepare_generation_config 函数设置 Streamlit 界面,开始显示标题“Llama3-Instruct”。
  • 在侧边栏使用滑块让用户可以调整生成参数,如 max_lengthtop_ptemperature
  1. 聊天历史管理:
  • 初始化或维护聊天历史(st.session_state.messages)以跟踪对话。
  • 通过 st.chat_message 在应用程序界面上显示过去的消息。
  1. 用户输入处理:
  • 应用程序通过 st.chat_input 接受用户输入,并使用 st.chat_message 显示用户消息。
  • 每个用户消息都被追加到会话状态的聊天历史中。
  1. 消息生成:
  • 将用户输入与现有聊天历史结合,形成模型的提示。
  • 调用 generate_interactive 函数从模型生成响应。该函数迭代处理生成过程,允许在聊天界面动态显示中间输出。
  • 模型的最终响应被显示并添加到聊天历史中。
  1. 资源管理:
  • 在处理用户输入和模型响应后,函数显式清除 CUDA 缓存,以有效管理 GPU 内存。
  1. 错误处理和循环结构:
  • 函数包含错误处理,用于处理聊天历史中角色分配错误。
  • 聊天应用程序设计为持续接受和处理用户输入,直到会话结束,由 Streamlit 的响应式编程模型支持。
  1. 程序执行控制:
  • if __name__ == '__main__': 代码块检查脚本是否作为主模块运行,并获取命令行参数传递给 main 函数。

总体而言,main 函数负责协调用户与 AI 模型之间的互动,高效地处理用户界面和计算后端。然而,可能需要更好的错误处理来应对运行时可能出现的问题,如模型加载失败或意外的用户输入。此外,评论为何禁用某些功能(如 CUDA 缓存清理)并确保在实时应用中清晰管理 GPU 资源,可以提高可靠性和性能。

重点关注for cur_response in generate_interactive

        with st.chat_message('robot'):             message_placeholder = st.empty()             for cur_response in generate_interactive(                     model=model,                     tokenizer=tokenizer,                     prompt=real_prompt,                     additional_eos_token_id=128009,  # <|eot_id|>                     **asdict(generation_config),             ):                 # Display robot response in chat message container                 message_placeholder.markdown(cur_response + '▌')             message_placeholder.markdown(cur_response)         # Add robot response to chat history         st.session_state.messages.append({             'role': 'robot',             'content': cur_response,  # pylint: disable=undefined-loop-variable         }) 

这一段代码是模型输出的关键

		output_token_ids = input_ids[0].cpu().tolist()         output_token_ids = output_token_ids[input_length:]         for each_eos_token_id in eos_token_id:             if output_token_ids[-1] == each_eos_token_id:                 output_token_ids = output_token_ids[:-1]         response = tokenizer.decode(output_token_ids) 

yield-response
yield response内容如上,接下来让我们观察原始token_ids输出过程

print

ids1
ids2
以上是output_token_ids的变化,可以看到输出过程

原理就是

input_ids
input到模型,模型输出logits,logits首先经过logits_processor,然后经过logits_warper,最后经过softmax变成概率,根据概率选出tokens,拼到input_ids中(追加到input_ids中)

然后就到了yield response部分的token变化,每次根据input length获取到output tokens,当判断到最后一个token是eos_token时,截断

每次都解码整个output_tokens_ids作为自然文本输出

logits_processor 和 logits_warper

两者都是对logits的处理,可以参考
https://huggingface.co/docs/transformers/en/internal/generation_utils
https://huggingface.co/transformers/v4.1.1/_modules/transformers/generation_utils.html

hf-logit
可以看到,warper处理top_k、top_p、temperature这些参数,processor处理penalty、bad_words、min_length这些

相关内容

热门资讯

黑科技辅助!wepoker真的... 黑科技辅助!wepoker真的有挂(透视)真是是有挂(有挂助手)-哔哩哔哩;黑科技辅助!wepoke...
黑科技代打(WPK小程序)外挂... 黑科技代打(WPK小程序)外挂透明挂辅助工具(透视)固有真的有挂(有挂技术)-哔哩哔哩是一款可以让一...
黑科技辅助(微扑克)外挂透明挂... 黑科技辅助(微扑克)外挂透明挂辅助插件(透视)可靠技巧(2026已更新)(哔哩哔哩);微扑克最新版本...
黑科技辅助!德州之星辅助软件(... 您好:德州之星辅助软件这款游戏可以开挂的,确实是有挂的,很多玩家在这款游戏中打牌都会发现很多用户的牌...
黑科技教学(德扑之星专业)外挂... 黑科技教学(德扑之星专业)外挂透明挂辅助神器(透视)本来存在有挂(有挂助手)-哔哩哔哩;1、很好的德...
黑科技辅助!微扑克技术(透视)... 黑科技辅助!微扑克技术(透视)一向是有挂(有挂功能)-哔哩哔哩;微扑克技术软件透明挂更新新赛季,主要...
黑科技辅助(AAPOKer)外... 黑科技辅助(AAPOKer)外挂透明挂辅助神器(透视)详细教程(2025已更新)(哔哩哔哩);一、A...
黑科技辅助!扑克时间可以控制(... 黑科技辅助!扑克时间可以控制(透视)软件透明挂ai辅助挂(原生存在有挂)-哔哩哔哩是一款可以让一直输...
黑科技玄学(德州扑克辅助)外挂... 您好,德州扑克辅助这款游戏可以开挂的,确实是有挂的,需要了解加微【136704302】很多玩家在这款...
黑科技辅助!德州辅助神器软件(... 黑科技辅助!德州辅助神器软件(透视)都是真的有挂(有挂教学)-哔哩哔哩;最新版2026是一款经典耐玩...