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。
