Automatically created by CHEETAH

1/model.py

@@ -0,0 +1,287 @@
+import torch
+import numpy as np
+import json
+import triton_python_backend_utils as pb_utils
+from transformers import AutoModelForCausalLM, AutoTokenizer, GenerationConfig
+from peft import PeftModel, PeftConfig
+
+class TritonPythonModel:
+    def initialize(self, args):
+        """
+        모델이 로드될 때 딱 한 번만 호출됩니다.
+        `initialize` 함수를 구현하는 것은 선택 사항입니다. 이 함수를 통해 모델은
+        이 모델과 관련된 모든 상태를 초기화할 수 있습니다.
+
+        Parameters
+        ----------
+        args : dict
+        Both keys and values are strings. The dictionary keys and values are:
+        * model_config: A JSON string containing the model configuration
+        * model_instance_kind: A string containing model instance kind
+        * model_instance_device_id: A string containing model instance device
+          ID
+        * model_repository: Model repository path
+        * model_version: Model version
+        * model_name: Model name
+        """
+        self.logger = pb_utils.Logger
+
+        self.model_config = json.loads(args["model_config"])
+
+        self.model_name = args["model_name"]
+        self.base_model_path = self._get_config_parameter("base_model_path")
+        self.is_adapter_model = self._get_config_parameter("is_adapter_model").strip().lower() == "true"
+        self.adapter_model_path = self._get_config_parameter("adapter_model_path")
+        self.quantization = self._get_config_parameter("quantization")
+
+        self.logger.log_info(f"base_model_path: {self.base_model_path}")
+        self.logger.log_info(f"is_adapter_model: {self.is_adapter_model}")
+        self.logger.log_info(f"adapter_model_path: {self.adapter_model_path}")
+        self.logger.log_info(f"quantization: {self.quantization}")
+
+        self.load_model()
+
+    def load_model(self):
+        """
+        Load model
+        """
+        self.bnb_config = None
+        torch_dtype = torch.float16  # 기본 dtype (필요시 bfloat16 등으로 조절)
+
+        # 양자화 옵션 체크
+        if self.quantization == "int4":
+            self.bnb_config = BitsAndBytesConfig(
+                load_in_4bit=True,
+                bnb_4bit_use_double_quant=True,
+                bnb_4bit_quant_type="nf4",
+                bnb_4bit_compute_dtype=torch_dtype
+            )
+        elif self.quantization == "int8":
+            self.bnb_config = BitsAndBytesConfig(
+                load_in_8bit=True,
+                llm_int8_threshold=6.0,
+                llm_int8_has_fp16_weight=True
+            )
+        else:
+            self.bnb_config = None
+
+        if self.is_adapter_model:
+            # 어댑터 설정 정보 로드
+            peft_config = PeftConfig.from_pretrained(self.adapter_model_path)
+            self.base_model_path = peft_config.base_model_name_or_path
+
+            # base 모델 로드
+            base_model = AutoModelForCausalLM.from_pretrained(
+                peft_config.base_model_name_or_path,
+                torch_dtype=torch.float16,
+                quantization_config=self.bnb_config if self.bnb_config else None,
+                device_map="auto"
+            )
+
+            # adapter 모델 로드 (base 모델 위에 덧씌움)
+            self.model = PeftModel.from_pretrained(base_model, self.adapter_model_path)
+        else:
+            # 일반 모델인 경우 로드
+            self.model = AutoModelForCausalLM.from_pretrained(
+                pretrained_model_name_or_path=self.base_model_path,
+                local_files_only=True,
+                quantization_config=self.bnb_config if self.bnb_config else None,
+                device_map="auto"
+            )
+
+        # Tokenizer는 base model의 tokenizer 사용
+        self.tokenizer = AutoTokenizer.from_pretrained(self.base_model_path)
+        self.tokenizer.pad_token_id = self.tokenizer.eos_token_id
+        self.supports_chat_template = self._check_chat_template_support()
+
+        self.logger.log_info(f"'{self.model_name}' 모델 초기화 완료")
+
+    def execute(self, requests):
+        """
+        Triton이 각 추론 요청에 대해 호출하는 실행 함수입니다.
+        """
+        responses = []
+
+        # 각 추론 요청을 순회하며 처리합니다.
+        for request in requests:
+            # Triton 입력 파싱
+            input_text = self._get_input_value(request, "text_input")
+
+            text = ""
+            conversation = ""
+            input_token_length = 0  # 입력 토큰 길이를 저장할 변수
+
+            # 입력 텍스트가 JSON 형식의 대화 기록인지 확인합니다.
+            try:
+                conversation = json.loads(input_text)
+                is_chat = True
+                self.logger.log_info(f"입력 conversation 출력:\n{conversation}")
+            except:
+                # JSON 파싱에 실패하면 일반 텍스트로 처리합니다.
+                text = input_text
+                is_chat = False
+                self.logger.log_info(f"입력 text 출력:\n{text}")
+
+            # 입력 텍스트를 토큰화합니다.
+            if self.supports_chat_template and is_chat:
+                self.logger.log_info(f"Chat 템플릿을 적용하여 토큰화합니다.")
+                inputs = self.tokenizer.apply_chat_template(
+                                            conversation,
+                                            tokenize=True,
+                                            add_generation_prompt=True,
+                                            return_tensors="pt",
+                                            return_dict=True
+                                            ).to(device=self.model.device)
+            else:
+                self.logger.log_info(f"입력 텍스트를 토큰화합니다.")
+                inputs = self.tokenizer(
+                            text,
+                            return_tensors="pt").to(device=self.model.device)
+
+            input_ids = inputs["input_ids"]
+            attention_mask = inputs["attention_mask"]
+            input_token_length = inputs["input_ids"].shape[-1]
+
+
+            # 언어 모델을 사용하여 텍스트를 생성합니다.
+            gened = self.model.generate(
+                input_ids=input_ids,
+                attention_mask=attention_mask,
+                generation_config=self._process_generation_config(request),
+                pad_token_id=self.tokenizer.pad_token_id,
+            )
+
+            # 생성된 토큰 시퀀스를 텍스트로 디코딩하고 입력 텍스트는 제외합니다.
+            generated_tokens = gened[0][input_token_length:] # 입력 토큰 이후부터 슬라이싱
+            gened_text = self.tokenizer.decode(generated_tokens, skip_special_tokens=True)
+            self.logger.log_info(f"모델이 생성한 토큰 시퀀스 (입력 텍스트 제외):\n{gened_text}")
+
+            output = gened_text.strip()
+
+            # 생성된 텍스트를 Triton 출력 텐서로 변환합니다.
+            output_tensor = pb_utils.Tensor("text_output", np.array(output.encode('utf-8'), dtype=np.bytes_))
+
+            # 응답 객체를 생성하고 출력 텐서를 추가합니다.
+            responses.append(pb_utils.InferenceResponse(output_tensors=[output_tensor]))
+
+        return responses
+
+    def _process_generation_config(self, request):
+        """
+        추론 요청에서 생성 설정 관련 파라미터들을 추출하여 GenerationConfig 객체를 생성합니다.
+
+        Args:
+            request (pb_utils.InferenceRequest): Triton 추론 요청 객체.
+
+        Returns:
+            transformers.GenerationConfig: GenerationConfig 객체.
+        """
+        max_length = self._get_input_value(request, "max_length", default=20)
+        max_new_tokens = self._get_input_value(request, "max_new_tokens")
+        temperature = self._get_input_value(request, "temperature")
+        do_sample = self._get_input_value(request, "do_sample")
+        top_k = self._get_input_value(request, "top_k")
+        top_p = self._get_input_value(request, "top_p")
+        repetition_penalty = self._get_input_value(request, "repetition_penalty")
+        stream = self._get_input_value(request, "stream")
+
+        generation_config = GenerationConfig(
+            max_length=max_length,
+            max_new_tokens=max_new_tokens,
+            temperature=temperature,
+            do_sample=do_sample,
+            top_k=top_k,
+            top_p=top_p,
+            repetition_penalty=repetition_penalty,
+            stream=stream,
+        )
+
+        self.logger.log_info(f"추론 요청 GenerationConfig:\n{generation_config}")
+
+        return generation_config
+
+    def _get_config_parameter(self, parameter_name):
+        """
+        모델 설정(config.pbtxt)에서 특정 파라미터의 문자열 값을 가져옵니다.
+
+        Args:
+            parameter_name (str): 가져올 파라미터의 이름.
+
+        Returns:
+            str or None: 파라미터의 'string_value' 또는 해당 파라미터가 없거나 'string_value' 키가 없는 경우 None.
+        """
+        self.parameters = self.model_config.get('parameters', {})
+        parameter_dict = self.parameters.get(parameter_name)
+
+        if isinstance(parameter_dict, dict) and 'string_value' in parameter_dict:
+            return parameter_dict['string_value']
+
+        return None
+
+    def _check_chat_template_support(self):
+        """
+        주어진 허깅페이스 Transformer 모델이 Chat 템플릿을 지원하는지 확인하고 결과를 출력합니다.
+
+        Returns:
+                bool: Chat 템플릿 지원 여부 (True 또는 False).
+        """
+        try:
+            if hasattr(self.tokenizer, "chat_template") and self.tokenizer.chat_template is not None:
+                self.logger.log_info(f"'{self.model_name}' 모델의 토크나이저는 Chat 템플릿을 지원합니다.")
+                self.logger.log_info("Chat 템플릿 내용:")
+                self.logger.log_info(self.tokenizer.chat_template)
+                return True
+            else:
+                self.logger.log_info(f"'{self.model_name}' 모델의 토크나이저는 Chat 템플릿을 직접적으로 지원하지 않거나, Chat 템플릿 정보가 없습니다.")
+                return False
+        except Exception as e:
+            self.logger.log_info(f"'{self.model_name}' 모델의 토크나이저를 로드하는 동안 오류가 발생했습니다: {e}")
+            return False
+
+
+    def _get_input_value(self, request, input_name: str, default=None):
+        """
+        Triton 추론 요청에서 특정 이름의 입력 텐서 값을 가져옵니다.
+
+        Args:
+            request (pb_utils.InferenceRequest): Triton 추론 요청 객체.
+            input_name (str): 가져올 입력 텐서의 이름.
+            default (any, optional): 입력 텐서가 없을 경우 반환할 기본값. Defaults to None.
+
+        Returns:
+            any: 디코딩된 입력 텐서의 값. 텐서가 없으면 기본값을 반환합니다.
+        """
+        tensor_value = pb_utils.get_input_tensor_by_name(request, input_name)
+
+        if tensor_value is None:
+            return default
+
+        return self._np_decoder(tensor_value.as_numpy()[0])
+
+    def _np_decoder(self, obj):
+        """
+        NumPy 객체의 데이터 타입을 확인하고 Python 기본 타입으로 변환합니다.
+
+        Args:
+            obj (numpy.ndarray element): 변환할 NumPy 배열의 요소.
+
+        Returns:
+            any: 해당 NumPy 요소에 대응하는 Python 기본 타입 (str, int, float, bool).
+                 bytes 타입인 경우 UTF-8로 디코딩합니다.
+        """
+        if isinstance(obj, bytes):
+           return obj.decode('utf-8')
+        if np.issubdtype(obj, np.integer):
+           return int(obj)
+        if np.issubdtype(obj, np.floating):
+           return round(float(obj), 3)
+        if isinstance(obj, np.bool_):
+           return bool(obj)
+
+    def finalize(self):
+        """
+        모델 실행이 완료된 후 Triton 서버가 종료될 때 한 번 호출되는 함수입니다.
+        `finalize` 함수를 구현하는 것은 선택 사항입니다. 이 함수를 통해 모델은
+        종료 전에 필요한 모든 정리 작업을 수행할 수 있습니다.
+        """
+        pass