使用gradio部署微调后的模型

文章目录

• • 概要
  • 整体架构流程
  • 技术细节
  • 小结

概要

使用gradio部署微调后的模型

整体架构流程

1. gradio前期学习，以下是一些常见的输入输出组件，有些即可输入也可输出

    gr.Audio(sources=['microphone', 'upload'],  # 音频输入sources，支持录制或者上传音频文件
             type='filepath',  # filepath上传的文件路径，numpy则为音频文件的numpy输入形式
             label='audio'  # label就是标签
             ),
    gr.Checkbox(label='checkbox'),  # 选择框
    gr.ColorPicker(label='colorPicker'),  # 颜色选择器
    gr.DataFrame(label='dataFrame'),  # df表格
    gr.Dropdown(['1111:1', '2222:2'], label='dropdown'),  # 下拉框
    gr.File(label='file', type='binary'),  # 文件   type文件格式
    gr.Image(sources=['webcam', 'upload'], label='image'),  # webcam使用摄像头，upload上传
    gr.Video(label='video', sources=['webcam', 'upload']),  # 视频
    gr.Slider(minimum=0, maximum=5, step=1, label='slider'),  # 滑动条
    gr.Textbox(label='textbox', lines=2, max_lines=3, placeholder='preText'),  # 文本输入框 placeholder预显示的text
    gr.TextArea(label='textarea'),  # 更大一点的textbox
    gr.Radio(['1111', '2222'], label='radio'),
    gr.Number(label='number'),  # 数字
    gr.CheckboxGroup(['qqq:q', 'dddd:d'], label='checkboxGroup')

以下部分则用于构造布局，按照标签页，行列构建

gr.Blocks()
gr.Row()  # 行布局
gr.Column()  # 列布局
gr.Tab()  # 标签页
gr.Group()  # 组
gr.Accordion()  # 伸缩拉出组件

在使用方面使用Blocks 比interface更加灵活，更适合做出一个网页样式。如果要对样式进行再细化的处理，需要用到css技术，对前端有所了解的一定知道。

2. 使用gradio构建网页布局

Gradio 是一个用于快速搭建机器学习模型和数据科学应用的开源 Python 库。它允许开发者创建交互式的用户界面，使得非技术用户也能方便地使用和测试机器学习模型。以下是 Gradio 的一些主要特点和使用方法：

主要特点：

• 快速创建界面：只需几行代码即可生成交互界面。
• 多种输入/输出类型：支持文本、图像、音频、视频等多种输入和输出类型。
• 实时反馈：用户可以实时查看模型的预测结果。
• 易于共享：可以轻松地将应用部署到 Web 上，生成一个共享链接。

!pip install -q gradio
import gradio as gr
placeholder = '输入想问的问题，比如：出现了黄疸、恶心、呕吐等症状，可能患了什么疾病？'

#重置
def reset_input():
    return ""

#生成
def generate_input(inputs, repeat_penalty, top_k, top_p, temperature):
    messages = [
    {
        'role':'user',
        'content':inputs
    }]
    input_ids = tokenizer.apply_chat_template(
        messages, add_generation_prompt=True, return_tensors="pt").to(model_lora.device)

    outputs = model.generate(
    input_ids=input_ids,
    max_new_tokens=256,   
    # repeat_penalty=repeat_penalty,
    top_k = top_k,
    top_p = top_p,
    temperature = temperature
    )
    response = outputs[0][input_ids.shape[-1]:]
    out = tokenizer.decode(response, skip_special_tokens=True)
    return out


with gr.Blocks() as demo:
    with gr.Tab(label='Llama3'):
        with gr.Row():
            with gr.Column(scale=1):
                gr.Label(value='该模型是基于Llama3开发的专门针对医疗咨询的语言模型', label='介绍')
                repeat_penalty = gr.Slider(minimum=0, maximum=1, step=0.1, label='repeat_penalty')  # 滑动条
                top_k = gr.Slider(minimum=0, maximum=60, step=1, label='top_k') # 滑动条
                top_p = gr.Slider(minimum=0, maximum=1, step=0.1, label='top_p')  # 滑动条
                temperature = gr.Slider(minimum=0, maximum=1, step=0.1, label='temperature')  # 滑动条
            with gr.Column(scale=10):
            	#输入文本框
                inputs = gr.Textbox(label='input', lines=10, placeholder=placeholder, interactive=True)
                with gr.Row():
                    button_reset = gr.Button(value='reset', interactive=True)
                    button_reset.click(fn=reset_input, inputs=None, outputs=inputs)
                    button_generate = gr.Button(value='generate')
                #输出文本框
                outputs = gr.Textbox(label='output', lines=15, interactive=False)
                button_generate.click(fn=generate_input, inputs=[inputs, repeat_penalty, top_k, top_p, temperature], outputs=outputs)
demo.launch(share=True)

3. 进行演示，模型是来自之前LoRA微调版本，初步效果如下图所示。

技术细节

• model：加载大模型比较耗时，可以先用Llama.cpp量化后再使用，这样能加快推理速度。
• gradio可以开放web页面更加方便，如果不行安装提示来，比如：
  1. Download this file: https://cdn-media.huggingface.co/frpc-gradio-0.2/frpc_linux_amd64
  2. Rename the downloaded file to: frpc_linux_amd64_v0.2
  3. Move the file to this location: /usr/local/lib/python3.10/site-packages/gradio
  同时需要对文件进行权限设置sudo chmod +x frpc_linux_amd64_v0.2。网上看到还有错误可以这样改：在gradio文件的路径里找到tunneling.py文件，在_start_tunnel(self, binary:str)方法下加

"--tls_enable",
"true"

• Llama应该是可以提供API访问模型，这样更利于开发，下一步进行这个处理。

小结

Gradio 是一个功能强大且易于使用的工具，适合快速搭建和测试机器学习模型的用户界面。还有更多的功能大家可以去官网或者其它博客进行学习。