LiteRT 소개: 온디바이스 AI를 위한 Google의 고성능 런타임(이전 명칭: TensorFlow Lite)입니다.

이 페이지는 Cloud Translation API를 통해 번역되었습니다.

웹용 LLM 추론 가이드

<ph type="x-smartling-placeholder">를 통해 개인정보처리방침을 정의할 수 있습니다.

LLM Inference API를 사용하면 대규모 언어 모델 (LLM)을 웹 애플리케이션용 브라우저이며, 이 프로그램을 사용하면 텍스트 생성, 자연어 형식으로 정보 검색, 문서 요약이 포함됩니다 이 작업은 여러 대규모 언어 모델을 지원하므로 기기 내 최신 기능을 적용할 수 있습니다. 웹 앱에 배포할 수 있습니다

이 작업은 MediaPipe Studio에서 직접 확인할 수 있습니다. 데모를 참고하세요. 기능, 모델, 구성 옵션에 대한 자세한 내용은 개요를 참조하세요.

코드 예

LLM Inference API의 애플리케이션 예는 다음과 같은 기본 구현을 제공합니다. 이 작업을 참조할 수 있습니다. 이 샘플 앱을 사용하여 텍스트 생성 앱을 빌드하기 시작했습니다

LLM Inference API 예시 앱 GitHub를 참고하세요.

설정

이 섹션에서는 개발 환경을 설정하는 주요 단계를 설명하고 특히 LLM Inference API를 사용할 수 있습니다. 일반적인 정보 다음과 같은 MediaPipe 작업을 사용하기 위한 개발 환경 설정 플랫폼 버전 요구사항에 대한 자세한 내용은 웹.

브라우저 호환성

LLM Inference API를 사용하려면 WebGPU와 호환되는 웹브라우저가 필요합니다. 완전한 호환 가능한 브라우저의 목록은 GPU 브라우저 참조 호환성을 참고하세요.

JavaScript 패키지

LLM Inference API 코드는 @mediapipe/tasks-genai 드림 패키지에서 찾을 수 있습니다. 다음 제공된 링크에서 이러한 라이브러리를 찾고 다운로드할 수 있습니다. 플랫폼 설정 가이드

로컬 스테이징에 필요한 패키지를 설치합니다.

npm install @mediapipe/tasks-genai

서버에 배포하려면 다음과 같은 콘텐츠 전송 네트워크 (CDN) 서비스를 사용합니다. jsDelivr을 사용하여 HTML 페이지에 직접 코드를 추가하세요.

<head>
  <script src="https://cdn.jsdelivr.net/npm/@mediapipe/tasks-genai/genai_bundle.cjs"
    crossorigin="anonymous"></script>
</head>

모델

MediaPipe LLM Inference API를 사용하려면 이 API와 호환되는 학습된 모델이 필요합니다. 태스크에 맞추는 것입니다. 웹 애플리케이션의 경우 모델이 GPU와 호환되어야 합니다.

LLM Inference API에 사용할 수 있는 학습된 모델에 대한 자세한 내용은 작업을 참조하세요. 개요 모델 섹션을 참조하세요.

모델 다운로드

LLM Inference API를 초기화하기 전에 지원되는 모델 중 하나를 다운로드하고 프로젝트 디렉터리에 파일을 저장합니다.

Gemma: Google Cloud에서 개발한 최첨단 경량 개방형 모델 제품군의 인공지능을 만드는 데 사용된 것과 동일한 연구와 기술을 Gemini 모델. 다양한 작업에 적합 텍스트 생성 작업(예: 질문 답변, 요약, 있습니다. Gemma 2B 또는 Gemma 7B 모델 변형을 다운로드합니다.
Phi-2: 매개변수 27억 개 질문-답변, 채팅, 코드에 가장 적합한 Transformer 모델 형식으로 입력합니다.
Falcon-RW-1B: 10억 3,500억 개의 토큰으로 학습된 매개변수 인과 디코더 전용 모델 RefinedWeb을 참고하세요.
StableLM-3B: 3 매개변수 10억 개에 대해 선행 학습된 디코더 전용 언어 모델 코드 데이터 세트의 토큰에 해당합니다.

Kaggle에서 제공되는 Gemma 2B 또는 Gemma 7B를 사용하는 것이 좋습니다. 모델과 함께 이미 LLM Inference API와 호환되는 형식으로 변환합니다. 다른 LLM을 사용하려면 모델을 MediaPipe 친화적인 형식입니다. Gemma에 대한 자세한 내용은 Gemma 사이트에서 직접 확인할 수 있습니다. 자세한 내용은 사용 가능한 다른 모델은 작업 개요 모델 섹션을 참조하세요.

모델을 MediaPipe 형식으로 변환

네이티브 모델 전환

외부 LLM (Phi-2, Falcon 또는 StableLM) 또는 Kaggle 이외의 도구를 사용하는 경우 변환 스크립트를 사용하여 모델을 MediaPipe와 호환됩니다.

모델 변환 프로세스에는 MediaPipe PyPI 패키지가 필요합니다. 전환 스크립트는 0.10.11 이후의 모든 MediaPipe 패키지에서 사용할 수 있습니다.

다음을 사용하여 종속 항목을 설치하고 가져옵니다.

$ python3 -m pip install mediapipe

genai.converter 라이브러리를 사용하여 모델을 변환합니다.

import mediapipe as mp
from mediapipe.tasks.python.genai import converter

config = converter.ConversionConfig(
  input_ckpt=INPUT_CKPT,
  ckpt_format=CKPT_FORMAT,
  model_type=MODEL_TYPE,
  backend=BACKEND,
  output_dir=OUTPUT_DIR,
  combine_file_only=False,
  vocab_model_file=VOCAB_MODEL_FILE,
  output_tflite_file=OUTPUT_TFLITE_FILE,
)

converter.convert_checkpoint(config)

LoRA 모델을 변환하려면 ConversionConfig에서 기본 모델을 지정해야 합니다. 추가 LoRA 옵션도 제공합니다 이 API는 GPU에서 LoRA 추론을 지원하는 경우 백엔드는 'gpu'로 설정해야 합니다.

import mediapipe as mp
from mediapipe.tasks.python.genai import converter

config = converter.ConversionConfig(
  # Other params related to base model
  ...
  # Must use gpu backend for LoRA conversion
  backend='gpu',
  # LoRA related params
  lora_ckpt=LORA_CKPT,
  lora_rank=LORA_RANK,
  lora_output_tflite_file=LORA_OUTPUT_TFLITE_FILE,
)

converter.convert_checkpoint(config)

변환기는 기본 모델용 TFLite 플랫버퍼 파일 2개를 출력합니다. 다른 하나는 LoRA 모델에 사용합니다

매개변수	설명	허용되는 값
`input_ckpt`	`model.safetensors` 또는 `pytorch.bin` 파일의 경로입니다. 모델 안전 텐서 형식이 여러 파일로 샤딩되는 경우도 있습니다. 예를 들어 `model-00001-of-00003.safetensors`, `model-00001-of-00003.safetensors` `model*.safetensors`와 같은 파일 패턴을 지정할 수 있습니다.	경로
`ckpt_format`	모델 파일 형식입니다.	{"safetensors", "pytorch"}
`model_type`	변환되는 LLM입니다.	{"PHI_2", "FALCON_RW_1B", "STABLELM_4E1T_3B", "GEMMA_2B"}
`backend`	모델을 실행하는 데 사용된 프로세서 (위임)입니다.	{"cpu", "gpu"}
`output_dir`	레이어별 가중치 파일을 호스팅하는 출력 디렉터리의 경로입니다.	경로
`output_tflite_file`	출력 파일의 경로입니다. 예: 'model_cpu.bin' 또는 'model_gpu.bin'으로 지정할 수 있습니다. 이 파일은 LLM Inference API와만 호환되며 일반 `tflite` 파일로 사용할 수 없습니다.	경로
`vocab_model_file`	`tokenizer.json` 및 파일 `tokenizer_config.json`개. Gemma의 경우 단일 `tokenizer.model` 파일을 가리킵니다.	경로
`lora_ckpt`	LoRA 어댑터 가중치를 저장하는 Safetensors 파일의 LoRA ckpt의 경로입니다.	경로
`lora_rank`	LoRA ckpt의 순위를 나타내는 정수입니다. Loa 가중치를 변환하는 데 필요합니다. 제공되지 않으면 변환기는 LoRA 가중치가 없다고 가정합니다. 참고: GPU 백엔드만 LoRA를 지원합니다.	정수
`lora_output_tflite_file`	LoRA 가중치의 tflite 파일 이름을 출력합니다.	경로

AI Edge 모델 변환

AI Edge를 통해 TFLite 모델에 매핑된 LLM을 사용하는 경우 스크립트를 번들로 묶어 작업 번들을 생성하는 방법 번들 프로세스는 추가 메타데이터 (예: Tokenizer 매개변수)이 필요합니다. 엔드 투 엔드 추론을 실행할 수 있습니다

모델 번들 프로세스에는 MediaPipe PyPI 패키지가 필요합니다. 전환 스크립트는 0.10.14 이후의 모든 MediaPipe 패키지에서 사용할 수 있습니다.

다음을 사용하여 종속 항목을 설치하고 가져옵니다.

$ python3 -m pip install mediapipe

genai.bundler 라이브러리를 사용하여 모델을 번들로 묶습니다.

import mediapipe as mp
from mediapipe.tasks.python.genai import bundler

config = bundler.BundleConfig(
    tflite_model=TFLITE_MODEL,
    tokenizer_model=TOKENIZER_MODEL,
    start_token=START_TOKEN,
    stop_tokens=STOP_TOKENS,
    output_filename=OUTPUT_FILENAME,
    enable_bytes_to_unicode_mapping=ENABLE_BYTES_TO_UNICODE_MAPPING,
)
bundler.create_bundle(config)

매개변수	설명	허용되는 값
`tflite_model`	AI Edge에서 내보낸 TFLite 모델의 경로입니다.	경로
`tokenizer_model`	SentencePiece tokenizer 모델의 경로입니다.	경로
`start_token`	모델별 시작 토큰입니다. 시작 토큰은 tokenizer 모델을 제공합니다.	STRING
`stop_tokens`	특정 중지 토큰을 모델링합니다. 중지 토큰은 tokenizer 모델을 제공합니다.	목록[문자열]
`output_filename`	출력 작업 번들 파일의 이름입니다.	경로

프로젝트 디렉터리에 모델 추가

프로젝트 디렉터리 내에 모델을 저장합니다.

<dev-project-root>/assets/gemma-2b-it-gpu-int4.bin

baseOptions 객체 modelAssetPath로 모델의 경로를 지정합니다. 매개변수:

baseOptions: { modelAssetPath: `/assets/gemma-2b-it-gpu-int4.bin`}

할 일 만들기

LLM Inference API createFrom...() 함수 중 하나를 사용하여 살펴보겠습니다 createFromModelPath() 함수를 학습된 모델 파일의 상대 또는 절대 경로입니다. 코드 예에서는 createFromOptions() 함수를 사용하세요. 사용 가능한 구성 옵션에 대한 자세한 내용은 구성 옵션을 참조하세요.

다음 코드는 이 작업을 빌드하고 구성하는 방법을 보여줍니다.

const genai = await FilesetResolver.forGenAiTasks(
    // path/to/wasm/root
    "https://cdn.jsdelivr.net/npm/@mediapipe/tasks-genai@latest/wasm"
);
llmInference = await LlmInference.createFromOptions(genai, {
    baseOptions: {
        modelAssetPath: '/assets/gemma-2b-it-gpu-int4.bin'
    },
    maxTokens: 1000,
    topK: 40,
    temperature: 0.8,
    randomSeed: 101
});

구성 옵션

이 작업에는 웹 및 JavaScript 앱을 위한 다음과 같은 구성 옵션이 있습니다.

옵션 이름	설명	값 범위	기본값
`modelPath`	프로젝트 디렉터리 내에서 모델이 저장된 경로입니다.	경로	해당 사항 없음
`maxTokens`	모델이 처리하는 최대 토큰 수 (입력 토큰 + 출력 토큰)입니다.	정수	512
`topK`	생성의 각 단계에서 모델이 고려하는 토큰 수입니다. 가능성이 가장 높은 상위 k개의 토큰으로 예측을 제한합니다.	정수	40
`temperature`	생성 중에 도입된 임의성의 양입니다. 더 높은 온도는 생성된 텍스트에서 더 창의성을 발휘하지만 온도가 낮으면 더 예측 가능한 생성이 생성됩니다.	부동 소수점 수	0.8
`randomSeed`	텍스트 생성 중에 사용되는 임의의 시드입니다.	정수	0
`loraRanks`	런타임 동안 LoRA 모델에서 사용할 LoRA 순위입니다. 참고: GPU 모델과만 호환됩니다.	정수 배열	해당 사항 없음

데이터 준비

LLM Inference API는 텍스트 (string) 데이터를 허용합니다. 작업에서 데이터 입력을 처리함 전처리(토큰화 및 텐서 전처리 포함)

모든 사전 처리는 generateResponse() 함수 내에서 처리됩니다. 현재 입력 텍스트를 사전 처리할 필요가 없습니다.

const inputPrompt = "Compose an email to remind Brett of lunch plans at noon on Saturday.";

작업 실행

LLM Inference API는 generateResponse() 함수를 사용하여 추론을 트리거합니다. 텍스트 분류에서는 살펴보겠습니다.

다음 코드는 작업으로 처리를 실행하는 방법을 보여줍니다. 있습니다.

const response = await llmInference.generateResponse(inputPrompt);
document.getElementById('output').textContent = response;

응답을 스트리밍하려면 다음을 사용합니다.

llmInference.generateResponse(
  inputPrompt,
  (partialResult, done) => {
        document.getElementById('output').textContent += partialResult;
});

결과 처리 및 표시

LLM Inference API는 생성된 응답 텍스트가 포함된 문자열을 반환합니다.

Here's a draft you can use:

Subject: Lunch on Saturday Reminder

Hi Brett,

Just a quick reminder about our lunch plans this Saturday at noon.
Let me know if that still works for you.

Looking forward to it!

Best,
[Your Name]

LoRA 모델 맞춤설정

LoRA (Low-Rank Adaptation)를 지원하도록 Mediapipe LLM 추론 API 구성 가능 살펴봤습니다 개발자는 미세 조정된 LoRA 모델을 활용하여 비용 효율적인 학습 프로세스를 통해 LLM의 동작을 맞춤설정할 수 있습니다.

LLM Inference API에 대한 LoRA 지원은 Gemma-2B 및 Phi-2 모델에서 작동합니다. 어텐션 레이어에만 적용되는 LoRA 가중치를 사용하는 GPU 백엔드가 있습니다. 이 초기 구현은 향후 개발을 위한 실험용 API 역할을 합니다. 향후 더 많은 모델과 다양한 유형의 레이어를 지원할 계획입니다. 업데이트.

LoRA 모델 준비

HuggingFace에 관한 안내에 따라 지원되는 모델 유형(Gemma-2B 또는 Phi-2)으로 자체 데이터 세트에서 미세 조정된 LoRA 모델을 학습시킵니다. Gemma-2B 및 Phi-2 모델은 모두 HuggingFace에서 Safetensors 형식으로 제공됩니다. LLM Inference API는 어텐션 레이어에서 LoRA만 지원하므로 다음과 같이 LoraConfig를 만들 때 어텐션 레이어만 지정합니다.

# For Gemma-2B
from peft import LoraConfig
config = LoraConfig(
    r=LORA_RANK,
    target_modules=["q_proj", "v_proj", "k_proj", "o_proj"],
)

# For Phi-2
config = LoraConfig(
    r=LORA_RANK,
    target_modules=["q_proj", "v_proj", "k_proj", "dense"],
)

테스트를 위해 HuggingFace에서 사용할 수 있는 LLM Inference API에 맞게 공개적으로 액세스 가능한 미세 조정된 LoRA 모델을 사용할 수 있습니다. 예를 들어 Gemma-2B의 경우 monsterapi/gemma-2b-lora-maths-orca-200k, Phi-2의 경우 lole25/phi-2-sft-ultrachat-lora입니다.

준비된 데이터 세트로 학습하고 모델을 저장하면 미세 조정된 LoRA 모델 가중치가 포함된 adapter_model.safetensors 파일을 얻습니다. 안전 텐서 파일은 모델 변환에 사용되는 LoRA 체크포인트입니다.

다음 단계에서는 MediaPipe Python 패키지를 사용하여 모델 가중치를 TensorFlow Lite Flatbuffer로 변환해야 합니다. ConversionConfig는 기본 모델 옵션과 추가 LoRA 옵션을 지정해야 합니다. API는 GPU를 사용한 LoRA 추론만 지원하므로 백엔드를 'gpu'로 설정해야 합니다.

import mediapipe as mp
from mediapipe.tasks.python.genai import converter

config = converter.ConversionConfig(
  # Other params related to base model
  ...
  # Must use gpu backend for LoRA conversion
  backend='gpu',
  # LoRA related params
  lora_ckpt=LORA_CKPT,
  lora_rank=LORA_RANK,
  lora_output_tflite_file=LORA_OUTPUT_TFLITE_FILE,
)

converter.convert_checkpoint(config)

변환기는 기본 모델용 TFLite 플랫버퍼 파일 2개를 출력합니다. 다른 하나는 LoRA 모델에 사용합니다

LoRA 모델 추론

웹, Android, iOS LLM Inference API가 LoRA 모델 추론을 지원하도록 업데이트되었습니다. 웹은 런타임 중에 다른 LoRA 모델을 전환할 수 있는 동적 LoRA를 지원합니다. Android 및 iOS는 작업 전체 기간 동안 동일한 LoRA 가중치를 사용하는 정적 LoRA를 지원합니다.

웹은 런타임 중에 동적 LoRA를 지원합니다. 즉, 사용자는 초기화 중에 사용될 LoRA 순위를 선언하고 런타임 중에 다른 LoRA 모델을 교체할 수 있습니다.

const genai = await FilesetResolver.forGenAiTasks(
    // path/to/wasm/root
    "https://cdn.jsdelivr.net/npm/@mediapipe/tasks-genai@latest/wasm"
);
const llmInference = await LlmInference.createFromOptions(genai, {
    // options for the base model
    ...
    // LoRA ranks to be used by the LoRA models during runtime
    loraRanks: [4, 8, 16]
});

런타임 중에 기본 모델이 초기화된 후 사용할 LoRA 모델을 로드합니다. 또한 LLM 응답을 생성하는 동안 LoRA 모델 참조를 전달하여 LoRA 모델을 트리거합니다.

// Load several LoRA models. The returned LoRA model reference is used to specify
// which LoRA model to be used for inference.
loraModelRank4 = await llmInference.loadLoraModel(loraModelRank4Url);
loraModelRank8 = await llmInference.loadLoraModel(loraModelRank8Url);

// Specify LoRA model to be used during inference
llmInference.generateResponse(
  inputPrompt,
  loraModelRank4,
  (partialResult, done) => {
        document.getElementById('output').textContent += partialResult;
});