阿里云人工智能平台PAIEAS一键部署HuggingFace&ModelScope服务应用-云淘科技

EAS提供了预置镜像以部署社区模型，并针对模型分发和镜像拉起做了加速机制。您只需配置几个参数就可以将社区模型一键快捷的部署到EAS模型在线服务平台。本文为您介绍如何部署HuggingFace和ModelScope的社区模型。

背景信息

当前，开放的模型社区（例如 huggingface、modelscope ）提供了大量的机器学习模型和代码实现，其对应库的接口将模型、框架以及相关的处理逻辑进行了封装，您仅需使用几行代码即可直接端到端进行模型训练和调用等操作，无需考虑复杂的环境依赖、预处理后处理逻辑、框架类型等一系列使用和部署落地模型时的问题。这种生态也是对以Tensorflow、Pytorch为代表的框架-模型形态的升级。

EAS也对该形态进行了优化支持，支持您一键部署社区模型。

部署HuggingFace模型

PAI支持将HuggingFace社区官方库中的tasks对应的模型快速部署为EAS模型在线服务，具体操作步骤如下：

1. 在官方库tasks中选择要部署的模型，本文以文本分类模型为例，进入distilbert-base-uncased-finetuned-sst-2-english模型页面，分别获取下图中的MODEL_ID（模型ID）、TASK（模型对应的TASK）、REVISION（模型版本）的值并保存到本地。

   您可以根据下表中的对应关系找到部署EAS服务时所需的TASK：

   HuggingFace页面展示的TASK	部署EAS服务时填写的TASK
   Audio Classification	audio-classification
   Automatic Speech Recognition(ASR)	automatic-speech-recognition
   Feature Extraction	feature-extraction
   Fill Mask	fill-mask
   Image Classification	image-classification
   Question Answering	question-answering
   Summarization	summarization
   Text Classification	text-classification
   Sentiment Analysis	sentiment-analysis
   Text Generation	text-generation
   Translation	translation
   Translation (xx-to-yy)	translation_xx_to_yy
   Text-to-Text Generation	text2text-generation
   Zero-Shot Classification	zero-shot-classification
   Document Question Answering	document-question-answering
   Visual Question Answering	visual-question-answering
   Image-to-Text	image-to-text

2. 在EAS模型在线服务页面，部署HuggingFace模型。

   1. 进入部署服务页面，配置以下关键参数，其他参数配置详情，请参见服务部署：控制台。

      

      参数	描述
      服务名称	参照界面提示自定义配置服务名称。
      部署方式	选择镜像部署AI-Web应用。
      镜像选择	在PAI平台镜像列表中选择huggingface-inference；并根据实际场景选择对应的镜像版本。
      环境变量	配置以下参数为步骤1中查询的结果： MODEL_ID：distilbert-base-uncased-finetuned-sst-2-english。 TASK：text-classification。 REVISION：main。
      运行命令	配置镜像版本后，系统会自动配置运行命令，您无需修改配置。

   2. 单击部署。当服务状态变为运行中，表明服务已部署成功。

3. 调用已部署成功的模型服务。

   通过控制台调用服务

   • 在PAI-EAS模型在线服务页面，单击服务方式列下的查看Web应用，在WebUI页面验证模型推理效果。

   • 单击目标服务操作列下的在线调试，在Body页签输入请求数据，例如：{"data": ["hello"]}，单击发送请求。

     说明

     文本分类模型输入的数据格式（{"data": ["XXX"]}）是Gradio框架的/api/predict定义的，如果您使用其他类型的模型，例如图片分类或语音数据处理等，可以参考/api/predict的定义来构造请求数据。

   通过API调用服务

   1. 单击服务名称进入服务详情页面，在该页面单击查看调用信息。

   2. 在调用信息对话框公网地址调用页签，查看访问地址和Token，并保存到本地。

   3. 通过如下代码使用API调用服务。

      import requests
      
      resp = requests.post(url="",
                    headers={"Authorization": ""},
                    json={"data": ["hello"]})
      
      print(resp.content)
      
      # resp: {"data":[{"label":"POSITIVE","confidences":[{"label":"POSITIVE","confidence":0.9995185136795044}]}],"is_generating":false,"duration":0.280987024307251,"average_duration":0.280987024307251}

      其中：和均需要替换为步骤b中获取的访问地址和Token。

   通过gradio_client调用服务

   使用如下代码调用服务：

   from gradio_client import Client
   
   client = Client("", hf_token="")
   
   client.view_api()
   
   result = client.predict(
   				"Hello!",	# str  in 'Input' Textbox component
   				api_name="/predict"
   )
   
   print('result:
   ')
   print(result)
   
   '''{"label": "POSITIVE", "confidences": [{"label": "POSITIVE", "confidence": 0.9995439648628235}]}'''

   其中：和替换为服务的访问地址和Token，您可以参照通过API调用服务内容，在调用信息对话框公网地址调用页签获取。

内容没看懂？ 不太想学习？想快速解决？ 有偿解决： 联系专家

阿里云企业补贴进行中： 马上申请

腾讯云限时活动1折起，即将结束： 马上收藏

同尘科技为腾讯云授权服务中心。

购买腾讯云产品享受折上折，更有现金返利:同意关联，立享优惠