Guía de inferencia de LLM

La API de inferencia de LLM te permite ejecutar modelos grandes de lenguaje (LLM) por completo integrado en el dispositivo, que puedes usar para realizar una amplia variedad de tareas, como generar texto, recuperar información en formato de lenguaje natural y resumir documentos. La tarea proporciona compatibilidad integrada con varias modelos de lenguaje extensos de texto a texto, para que puedas aplicar modelos de IA generativa para tus apps y productos.

Pruébalo.arrow_forward

La tarea admite Gemma 2B y 7B, como parte de una familia de modelos abiertos ligeros y de última generación creados a partir de la misma la investigación y la tecnología que se usan para crear Gemini e implementar modelos automáticamente. También admite los siguientes modelos externos: Phi-2 Falcon-RW-1B y StableLM-3B

Además de los modelos compatibles de forma nativa, los usuarios pueden asignar otros con AI Edge de Google ofertas (incluidas asignar modelos de PyTorch). Esto permite a los usuarios exportar un modelo asignado a modelos de firmas múltiples Los modelos de TensorFlow Lite, que se agrupan con los parámetros del tokenizador para crear un paquete de tareas.

Comenzar

Comienza a usar esta tarea siguiendo una de estas guías de implementación para tu plataforma de destino. Estas guías específicas para plataformas te guiarán a través de un implementación de la tarea, con ejemplos de código que usan un modelo disponible y las opciones de configuración recomendadas:

• Web:

  • Guía
  • Código ejemplo

• Android:

  • Guía
  • Código ejemplo

• iOS

  • Guía
  • Código ejemplo

Detalles de la tarea

En esta sección, se describen las capacidades, las entradas, las salidas y la configuración opciones de esta tarea.

Funciones

La API de inferencia de LLM contiene las siguientes funciones clave:

1. Generación de texto a texto: Genera texto basado en una instrucción de texto de entrada.
2. Selección de LLM: Aplica varios modelos para adaptar la app a tu casos de uso específicos. También puedes volver a entrenar y aplicar pesos personalizados al un modelo de responsabilidad compartida.
3. Compatibilidad con LoRA: Extiende y personaliza la capacidad de los LLM con el modelo LoRA. ya sea entrenando con todo el conjunto de datos o realizando un LoRA compilado previamente de la comunidad de código abierto (solo para modelos nativos).

Opciones de configuración

Esta tarea tiene las siguientes opciones de configuración:

Modelos

La API de inferencia de LLM tiene compatibilidad integrada con bloques de texto de lenguaje natural que están optimizados para ejecutarse en navegadores y dispositivos móviles. Estos los modelos ligeros se pueden descargar para ejecutar inferencias completamente en el dispositivo.

Antes de inicializar la API de inferencia de LLM, descarga uno de los modelos compatibles y almacenas el archivo dentro del directorio de tu proyecto.

Gemma 2B

Gemma 2B forma parte de una familia de modelos abiertos ligeros de última generación creados a partir de la misma investigación y tecnología que se usa para crear los modelos de Gemini. El contiene 2,000 millones de parámetros y pesos abiertos. Este modelo es adecuado para varias tareas de generación de texto, como responder preguntas, resumir, y razonamiento.

Descargar Gemma 2B

Los modelos de Gemma 2B vienen en cuatro variantes:

• gemma-2b-it-cpu-int4: Modelo Gemma 2B de 4 bits compatible con CPU.
• gemma-2b-it-cpu-int8: Modelo Gemma 2B de 8 bits compatible con CPU.
• gemma-2b-it-gpu-int4: Modelo Gemma 2B de 4 bits compatible con GPU.
• gemma-2b-it-gpu-int8: Modelo Gemma 2B de 8 bits compatible con GPU.

También puedes ajustar el modelo y agregar nuevos pesos antes de agregarlo a la app. Para para obtener más información sobre el ajuste y la personalización de Gemma, consulta Cómo ajustar Gemma. Después de descargar Gemma de los modelos de Kaggle, haz lo siguiente: el modelo ya tiene el formato adecuado para usarlo con MediaPipe.

Si descargas Gemma 2B de Hugging Face, debes convertir el modelo a un formato compatible con MediaPipe. La API de inferencia de LLM requiere que se descarguen y se conviertan los siguientes archivos:

• model-00001-of-00002.safetensors
• model-00002-of-00002.safetensors
• tokenizer.json
• tokenizer_config.json

Gemma 7B

Gemma 7B es un modelo más grande de Gemma con 7B. parámetros y ponderaciones abiertas. El modelo es más potente para una variedad de textos tareas de generación de demanda, como responder preguntas, resumir y razonar. Gemma 7B solo es compatible con la versión web.

Descargar Gemma 7B

El modelo Gemma 7B viene en una variante:

• gemma-1.1-7b-it-gpu-int8: Modelo Gemma 7B de 8 bits compatible con GPU.

Si descargas Gemma 7B de Hugging Face, sigue estos pasos: Debes convertir el modelo en un formato compatible con MediaPipe. El La API de inferencia de LLM requiere que se descarguen y conviertan los siguientes archivos:

• model-00001-of-00004.safetensors
• model-00002-of-00004.safetensors
• model-00003-of-00004.safetensors
• model-00004-of-00004.safetensors
• tokenizer.json
• tokenizer_config.json

Falcon 1B

Falcon-1B es un modelo de 1,000 millones de parámetros solo de decodificador causal entrenado en 350B tokens de RefinedWeb.

Descargar Falcon 1B

La API de LLM Inference requiere que se descarguen y almacenen los siguientes archivos localmente:

• tokenizer.json
• tokenizer_config.json
• pytorch_model.bin

Después de descargar los archivos del modelo Falcon, el modelo está listo para convertirse en el formato MediaPipe. Sigue los pasos que se indican en Cómo convertir el modelo en MediaPipe. formato.

StableLM 3B

StableLM-3B es un modelo de lenguaje de 3,000 millones de parámetros solo con decodificadores previamente entrenados 1 billón de tokens de diversos conjuntos de datos en inglés y de código para 4 ciclos de entrenamiento

Descargar StableLM 3B

La API de LLM Inference requiere que se descarguen y almacenen los siguientes archivos localmente:

• tokenizer.json
• tokenizer_config.json
• model.safetensors

Después de descargar los archivos del modelo StableLM, el modelo está listo para convertirse. al formato MediaPipe. Sigue los pasos que se indican en Cómo convertir el modelo en MediaPipe. formato.

Phi-2

Phi-2 es un modelo Transformer de 2,700 millones de parámetros. Se entrenó usando varios Textos sintéticos de PLN y sitios web filtrados El modelo es el más adecuado para instrucciones con el formato de pregunta-respuesta, chat y código.

Descargar Phi-2

La API de LLM Inference requiere que se descarguen y almacenen los siguientes archivos localmente:

• tokenizer.json
• tokenizer_config.json
• model-00001-of-00002.safetensors
• model-00002-of-00002.safetensors

Después de descargar los archivos del modelo Phi-2, el modelo está listo para convertirse a el formato MediaPipe. Sigue los pasos que se indican en Cómo convertir el modelo en MediaPipe. formato.

Modelos exportados de AI Edge

AI Edge es una oferta de Google que te permite convertir modelos asignados por usuarios en modelos de TensorFlow Lite con varias firmas. Para obtener más detalles sobre la asignación y exportar modelos, visita AI Edge Torch Página de GitHub.

Después de exportar el modelo al formato TFLite, está listo para usarse se convierten al formato MediaPipe. Para obtener más información, consulta Convierte el modelo al formato MediaPipe.

Convertir el modelo al formato MediaPipe

Conversión de modelo nativo

Si usas un LLM externo (Phi-2, Falcon o StableLM) o uno que no sea de Kaggle de Gemma, usemos los scripts de conversión para darle formato al modelo y son compatibles con MediaPipe.

El proceso de conversión de modelos requiere el paquete MediaPipe PyPI. La conversión está disponible en todos los paquetes de MediaPipe después de 0.10.11.

Instala y, luego, importa las dependencias con el siguiente comando:

$ python3 -m pip install mediapipe

Usa la biblioteca genai.converter para convertir el modelo:

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)

Para convertir el modelo LoRA, ConversionConfig debe especificar el modelo base así como otras opciones de LoRA. Ten en cuenta que, como la API solo admite la inferencia de LoRA con GPU, el backend se debe establecer en 'gpu'.

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)

El conversor generará dos archivos de búfer plano de TFLite, uno para el modelo base y el otro para el modelo LoRA.

Conversión de modelos de AI Edge

Si usas un LLM asignado a un modelo de TFLite a través de AI Edge, usa nuestro de paquetes de datos para crear un Paquete de tareas. El proceso de agrupación modelo asignado con metadatos adicionales (p.ej., parámetros del tokenizador) necesarios para ejecutar inferencias de extremo a extremo.

El proceso de agrupación de modelos requiere el paquete MediaPipe PyPI. La conversión está disponible en todos los paquetes de MediaPipe después de 0.10.14.

Instala y, luego, importa las dependencias con el siguiente comando:

$ python3 -m pip install mediapipe

Usa la biblioteca genai.bundler para empaquetar el modelo:

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)

Personalización de LoRA

La compatibilidad de LoRA con la API de inferencia de LLM funciona para los modelos Gemma-2B y Phi-2 para el backend de la GPU, con ponderaciones de LoRA aplicables solo a las capas de atención. Esta la implementación inicial sirve como una API experimental para futuros desarrollos y planea admitir más modelos y varios tipos de capas en las próximas actualizaciones.

Prepara modelos de LoRA

Sigue las instrucciones de HuggingFace para entrenar un modelo LoRA ajustado en tu propio conjunto de datos con tipos de modelos compatibles, Gemma-2B o Phi-2. Los modelos Gemma-2B y Phi-2 están disponibles en HuggingFace en el formato de tensores. Dado que la API de inferencia de LLM solo admite LoRA en las capas de atención, solo especifica capas de atención mientras creas el objeto LoraConfig de la siguiente manera:

# 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"],
)

Para las pruebas, existen modelos de LoRA ajustados de acceso público que se ajustan a la API de inferencia de LLM disponibles en HuggingFace. Por ejemplo, monsterapi/gemma-2b-lora-maths-orca-200k para Gemma-2B y lole25/phi-2-sft-ultrachat-lora para Phi-2.

Después de entrenar con el conjunto de datos preparado y guardar el modelo, obtendrás un archivo adapter_model.safetensors que contiene los pesos del modelo LoRA ajustado. El archivo de tensores es el punto de control de LoRA que se usa en la conversión del modelo.

El siguiente paso es convertir los pesos del modelo en un búfer plano de TensorFlow Lite con el paquete MediaPipe de Python. El elemento ConversionConfig debe especificar las opciones del modelo base y las opciones adicionales de LoRA. Ten en cuenta que, como la API solo admite inferencias LoRA con GPU, el backend debe establecerse en 'gpu'.

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)

El conversor generará dos archivos de búfer plano de TFLite, uno para el modelo base y el otro para el modelo LoRA.

Inferencia del modelo LoRA

Se actualizó la API de LLM Inference para la Web, iOS y Android para admitir la inferencia del modelo LoRA. La Web admite LoRA dinámica, que puede cambiar diferentes modelos de LoRA durante el tiempo de ejecución. iOS y Android admiten la LoRA estática, que usa los mismos pesos de LoRA durante el ciclo de vida de la tarea.

// Set the configuration options for the LLM Inference task
val options = LlmInferenceOptions.builder()
        .setModelPath('<path to base model>')
        .setMaxTokens(1000)
        .setTopK(40)
        .setTemperature(0.8)
        .setRandomSeed(101)
        .setLoraPath('<path to LoRA model>')
        .build()

// Create an instance of the LLM Inference task
llmInference = LlmInference.createFromOptions(context, options)

Para ejecutar la inferencia de LLM con LoRA, usa los mismos métodos generateResponse() o generateResponseAsync() que el modelo base.