一.使用 Flask 将模型封装为 REST 接口

  主要是将 complete()和 stream_complete()方法封装为 REST 接口，如下所示：

from flask import Flask, request, jsonify
from transformers import AutoTokenizer, AutoModelForCausalLM
app = Flask(__name__)


class QwenModel:
    def __init__(self, pretrained_model_name_or_path):
        # self.tokenizer = AutoTokenizer.from_pretrained(pretrained_model_name_or_path, device_map="cpu", trust_remote_code=True)  # CPU方式加载模型
        # self.model = AutoModelForCausalLM.from_pretrained(pretrained_model_name_or_path, device_map="cpu", trust_remote_code=True)  # CPU方式加载模型

        self.tokenizer = AutoTokenizer.from_pretrained(pretrained_model_name_or_path, device_map="cuda", trust_remote_code=True)  # GPU方式加载模型
        self.model = AutoModelForCausalLM.from_pretrained(pretrained_model_name_or_path, device_map="cuda", trust_remote_code=True)  # GPU方式加载模型
        self.model = self.model.float()

    def generate_completion(self, prompt):
        # inputs = self.tokenizer.encode(prompt, return_tensors="pt")  # CPU方式加载模型
        inputs = self.tokenizer.encode(prompt, return_tensors="pt").cuda()  # GPU方式加载模型
        outputs = self.model.generate(inputs, max_length=128)
        response = self.tokenizer.decode(outputs[0])
        return response


pretrained_model_name_or_path = r'L:\20230713_HuggingFaceModel\20230925_Qwen\Qwen-1_8B'
qwen_model = QwenModel(pretrained_model_name_or_path)


@app.route('/complete', methods=['POST'])
def complete():
    data = request.get_json()
    prompt = data.get('prompt', '')
    result = qwen_model.generate_completion(prompt)
    return jsonify({'text': result})

@app.route('/stream_complete', methods=['POST'])
def stream_complete():
    data = request.get_json()
    prompt = data.get('prompt', '')
    result = list(qwen_model.generate_completion(prompt))
    return jsonify(result)



if __name__ == "__main__":
    app.run(debug=False, port=5050, host='0.0.0.0')

二.通过 requests.post 请求方式调用接口

  主要是通过 requests.post 请求方式来实现 complete()和 stream_complete()函数，如下所示：

from typing import Any

import requests
from llama_index import ServiceContext, SimpleDirectoryReader, SummaryIndex
from llama_index.llms import CustomLLM, CompletionResponse, CompletionResponseGen, LLMMetadata
from llama_index.llms.base import llm_completion_callback


class QwenCustomLLM(CustomLLM):
    context_window: int = 8192
    num_output: int = 128
    model_name: str = "Qwen-1_8B"
    base_url: str = "http://127.0.0.1:5050"
    tokenizer: object = None
    model: object = None

    def __init__(self):
        super().__init__()

    @property
    def metadata(self) -> LLMMetadata:
        return LLMMetadata(
            context_window=self.context_window,
            num_output=self.num_output,
            model_name=self.model_name,
        )

    @llm_completion_callback()
    def complete(self, prompt: str, **kwargs: Any) -> CompletionResponse:
        data = {'prompt': prompt}
        response = requests.post(f'{self.base_url}/complete', json=data)
        result = response.json()
        return CompletionResponse(text=result['text'])

    @llm_completion_callback()
    def stream_complete(self, prompt: str, **kwargs: Any) -> CompletionResponseGen:
        data = {'prompt': prompt}
        response = requests.post(f'{self.base_url}/stream_complete', json=data)
        result = response.json()
        for token in result:
            yield CompletionResponse(text=token, delta=token)


if __name__ == "__main__":
    llm = QwenCustomLLM()
    # 方式1：本地加载模型方式进行调用
    service_context = ServiceContext.from_defaults(llm=llm, embed_model="local:L:/20230713_HuggingFaceModel/BAAI_bge-large-zh")

    # TODO 方式2：调整embed_model为在线模型
    # 思路：继承BaseEmbedding类，将加载Embedding模型部分封装为REST接口。可重点参考下OpenAIEmbedding类的实现。
    # service_context = ServiceContext.from_defaults(llm=llm, embed_model=BgeLargeZhEmbedding())

    documents = SimpleDirectoryReader("./data").load_data()
    index = SummaryIndex.from_documents(documents, service_context=service_context)
    query_engine = index.as_query_engine()

    # 你能够像以前一样使用llm.complete和llm.stream_complete
    response_complete = llm.complete("您好")
    print(response_complete)
    response_stream_complete = list(llm.stream_complete("您好"))
    print(response_stream_complete)

    response = query_engine.query("花未眠")
    print(response)

  上述代码在加载 Embedding 模型的时候还是从本地加载的，这部分也是可通过 REST 接口方式调用的。基本思路：继承 BaseEmbedding 类，将加载 Embedding 模型部分封装为 REST 接口。可重点参考下 OpenAIEmbedding 类的实现。

参考文献

[1] https://docs.llamaindex.ai/en/stable/

[2] https://github.com/run-llama/llama_index

[3] https://github.com/run-llama/llama_index/blob/main/llama_index/embeddings/init.py

[4] QWenCustomLLMOnline（本文源码）：https://github.com/ai408/nlp-engineering/tree/main/知识工程-大语言模型/LlamaIndex 实战/自定义 LLM/QWenCustomLLMOnline