Automatically created from 모델 배포(481:base-gemma-3-1b-it) by 그룹사용자(groupuser)
This commit is contained in:
parent
4e2dd0789c
commit
4b18271f6a
252
1/model.py
Normal file
252
1/model.py
Normal file
@ -0,0 +1,252 @@
|
||||
"""
|
||||
[Transformer-LLM 백엔드 가이드]
|
||||
|
||||
본 파일은 NVIDIA Triton Server에서 Hugging Face `AutoModelForCausalLM` 기반 모델을 손쉽게 배포하기 위해 제공되는 커스텀 Python 백엔드 템플릿입니다.
|
||||
|
||||
1. 모델 호환성
|
||||
- Hugging Face의 `AutoModelForCausalLM` 클래스와 호환되는 모든 Causal Language Model을 지원합니다.
|
||||
- [확인] 배포할 모델 `config.json`의 `architectures` 항목이 `...ForCausalLM` 형식인지 확인.
|
||||
2. 토크나이저 호환성
|
||||
- `AutoTokenizer`와 호환되는 토크나이저를 지원하며, 모델과 동일한 경로에서 자동으로 로드됩니다.
|
||||
|
||||
3. 커스터마이징 안내
|
||||
- 본 템플릿은 범용적인 사용을 위해 작성되었습니다.
|
||||
- 특정 모델의 동작 방식이나 예외 처리가 필요한 경우, 이 파일(`model.py`)과 설정 파일(`config.pbtxt`)을 직접 수정하여 사용하시기 바랍니다.
|
||||
"""
|
||||
|
||||
import json
|
||||
import torch
|
||||
import numpy as np
|
||||
import triton_python_backend_utils as pb_utils
|
||||
import uuid
|
||||
from typing import List, Dict, Any, Union, Tuple
|
||||
|
||||
from transformers import (
|
||||
AutoModelForCausalLM,
|
||||
AutoTokenizer,
|
||||
GenerationConfig,
|
||||
BitsAndBytesConfig,
|
||||
)
|
||||
from peft import PeftModel, PeftConfig
|
||||
|
||||
class TritonPythonModel:
|
||||
def initialize(self, args: Dict[str, str]):
|
||||
"""
|
||||
모델 초기화: 설정 로드, 로거 설정, 모델 및 토크나이저 로드
|
||||
"""
|
||||
self.logger = pb_utils.Logger
|
||||
self.model_config = json.loads(args["model_config"])
|
||||
self.model_name = args["model_name"]
|
||||
|
||||
# 설정 파라미터 로드
|
||||
self.base_model_path = self._get_config_param("base_model_path")
|
||||
self.is_adapter_model = self._get_config_param("is_adapter_model", "false").lower() == "true"
|
||||
self.adapter_model_path = self._get_config_param("adapter_model_path")
|
||||
self.quantization = self._get_config_param("quantization")
|
||||
self.device = "cuda" if torch.cuda.is_available() else "cpu"
|
||||
|
||||
# 설정 로그 출력
|
||||
self.logger.log_info(f"================ {self.model_name} Setup ================")
|
||||
self.logger.log_info(f"Base Model: {self.base_model_path}")
|
||||
self.logger.log_info(f"Adapter Mode: {self.is_adapter_model} ({self.adapter_model_path})")
|
||||
self.logger.log_info(f"Quantization: {self.quantization}")
|
||||
self.logger.log_info(f"Device: {self.device}")
|
||||
|
||||
self._load_model_and_tokenizer()
|
||||
self.logger.log_info(f"Model initialized successfully.")
|
||||
|
||||
def _load_model_and_tokenizer(self):
|
||||
"""모델과 토크나이저를 로드하고 설정합니다."""
|
||||
# 1. Quantization 설정
|
||||
bnb_config = self._get_bnb_config()
|
||||
|
||||
# 2. Base Model 로드
|
||||
load_path = self.base_model_path
|
||||
if self.is_adapter_model:
|
||||
peft_config = PeftConfig.from_pretrained(self.adapter_model_path)
|
||||
load_path = peft_config.base_model_name_or_path
|
||||
|
||||
try:
|
||||
self.model = AutoModelForCausalLM.from_pretrained(
|
||||
load_path,
|
||||
torch_dtype="auto",
|
||||
quantization_config=bnb_config,
|
||||
device_map="auto",
|
||||
local_files_only=True,
|
||||
trust_remote_code=True
|
||||
)
|
||||
except Exception as e:
|
||||
self.logger.log_error(f"Failed to load base model: {e}")
|
||||
raise e
|
||||
|
||||
# 3. Adapter 병합 (필요 시)
|
||||
if self.is_adapter_model:
|
||||
self.model = PeftModel.from_pretrained(self.model, self.adapter_model_path)
|
||||
|
||||
self.model.eval()
|
||||
|
||||
# 4. Tokenizer 로드
|
||||
self.tokenizer = AutoTokenizer.from_pretrained(load_path, trust_remote_code=True)
|
||||
|
||||
if self.tokenizer.pad_token is None:
|
||||
self.tokenizer.pad_token = self.tokenizer.eos_token
|
||||
self.tokenizer.pad_token_id = self.tokenizer.eos_token_id
|
||||
self.logger.log_info("Pad token was None. Set to EOS token.")
|
||||
|
||||
self.supports_chat_template = (
|
||||
hasattr(self.tokenizer, "chat_template") and
|
||||
self.tokenizer.chat_template is not None
|
||||
)
|
||||
|
||||
self.logger.log_info(f"Supports Chat Template: {self.supports_chat_template}")
|
||||
if self.supports_chat_template:
|
||||
self.logger.log_info(f"Chat Template Content:\n{self.tokenizer.chat_template}")
|
||||
|
||||
def _get_bnb_config(self) -> Union[BitsAndBytesConfig, None]:
|
||||
if self.quantization == "int4":
|
||||
return BitsAndBytesConfig(
|
||||
load_in_4bit=True,
|
||||
bnb_4bit_use_double_quant=True,
|
||||
bnb_4bit_quant_type="nf4",
|
||||
bnb_4bit_compute_dtype=torch.float16
|
||||
)
|
||||
elif self.quantization == "int8":
|
||||
return BitsAndBytesConfig(
|
||||
load_in_8bit=True,
|
||||
llm_int8_threshold=6.0,
|
||||
llm_int8_has_fp16_weight=True
|
||||
)
|
||||
return None
|
||||
|
||||
def execute(self, requests):
|
||||
"""Triton Inference Request 처리 메인 루프"""
|
||||
responses = []
|
||||
|
||||
for request in requests:
|
||||
# [ID 생성 로직] - 로그 추적용으로 유지 (Response에는 포함 X)
|
||||
request_id = request.request_id()
|
||||
if not request_id:
|
||||
request_id = str(uuid.uuid4())
|
||||
|
||||
try:
|
||||
# 1. 입력 데이터 파싱
|
||||
input_data, is_chat = self._parse_input(request)
|
||||
|
||||
# [LOGGING] Request ID 포함하여 로그 출력
|
||||
log_input_str = json.dumps(input_data, ensure_ascii=False) if isinstance(input_data, (list, dict)) else str(input_data)
|
||||
self.logger.log_info(f"\n[RID: {request_id}] >>> [{'CHAT' if is_chat else 'TEXT'}][Input]: {log_input_str}")
|
||||
|
||||
# 2. Generation Config 생성
|
||||
gen_config = self._create_generation_config(request)
|
||||
|
||||
# 3. 토크나이징
|
||||
inputs = self._tokenize(input_data, is_chat)
|
||||
|
||||
# 4. 모델 추론 (Generate)
|
||||
output_text = self._generate(inputs, gen_config)
|
||||
|
||||
# [LOGGING] Request ID 포함하여 결과 출력
|
||||
self.logger.log_info(f"\n[RID: {request_id}] <<< [Output]: {output_text}")
|
||||
|
||||
# 5. 응답 생성
|
||||
responses.append(self._create_response(output_text, request_id))
|
||||
|
||||
except Exception as e:
|
||||
self.logger.log_error(f"[RID: {request_id}] Error during execution: {e}")
|
||||
err_tensor = pb_utils.Tensor("text_output", np.array([str(e).encode('utf-8')], dtype=np.bytes_))
|
||||
responses.append(pb_utils.InferenceResponse(output_tensors=[err_tensor]))
|
||||
|
||||
return responses
|
||||
|
||||
def _parse_input(self, request) -> Tuple[Union[str, List[Dict]], bool]:
|
||||
input_text = self._get_input_scalar(request, "text_input")
|
||||
try:
|
||||
conversation = json.loads(input_text)
|
||||
if isinstance(conversation, list):
|
||||
return conversation, True
|
||||
except (json.JSONDecodeError, TypeError):
|
||||
pass
|
||||
return input_text, False
|
||||
|
||||
def _tokenize(self, input_data, is_chat: bool):
|
||||
if self.supports_chat_template and is_chat:
|
||||
return self.tokenizer.apply_chat_template(
|
||||
input_data,
|
||||
tokenize=True,
|
||||
add_generation_prompt=True,
|
||||
return_tensors="pt",
|
||||
return_dict=True
|
||||
).to(self.device)
|
||||
else:
|
||||
if is_chat:
|
||||
input_data = str(input_data)
|
||||
return self.tokenizer(input_data, return_tensors="pt").to(self.device)
|
||||
|
||||
def _generate(self, inputs, gen_config: GenerationConfig) -> str:
|
||||
input_ids = inputs["input_ids"]
|
||||
input_len = input_ids.shape[-1]
|
||||
|
||||
with torch.no_grad():
|
||||
outputs = self.model.generate(
|
||||
**inputs,
|
||||
generation_config=gen_config,
|
||||
pad_token_id=self.tokenizer.pad_token_id,
|
||||
eos_token_id=self.tokenizer.eos_token_id
|
||||
)
|
||||
|
||||
generated_tokens = outputs[0][input_len:]
|
||||
decoded_output = self.tokenizer.decode(generated_tokens, skip_special_tokens=True)
|
||||
return decoded_output.strip()
|
||||
|
||||
def _create_generation_config(self, request) -> GenerationConfig:
|
||||
def get_param(name, default=None, cast_type=None):
|
||||
val = self._get_input_scalar(request, name, default)
|
||||
if val is not None and cast_type:
|
||||
return cast_type(val)
|
||||
return val
|
||||
|
||||
return GenerationConfig(
|
||||
max_length=get_param("max_length", 1024, int),
|
||||
max_new_tokens=get_param("max_new_tokens", 256, int),
|
||||
temperature=get_param("temperature", 1.0, float),
|
||||
do_sample=get_param("do_sample", False, bool),
|
||||
top_k=get_param("top_k", 50, int),
|
||||
top_p=get_param("top_p", 1.0, float),
|
||||
repetition_penalty=get_param("repetition_penalty", 1.0, float),
|
||||
)
|
||||
|
||||
def _create_response(self, output_text: str, request_id: str):
|
||||
"""생성된 텍스트를 Triton Response 객체로 변환"""
|
||||
output_tensor = pb_utils.Tensor(
|
||||
"text_output",
|
||||
np.array([output_text.encode('utf-8')], dtype=np.bytes_)
|
||||
)
|
||||
return pb_utils.InferenceResponse(output_tensors=[output_tensor])
|
||||
|
||||
def _get_config_param(self, key: str, default: str = None) -> str:
|
||||
params = self.model_config.get('parameters', {})
|
||||
if key in params:
|
||||
return params[key].get('string_value', default)
|
||||
return default
|
||||
|
||||
def _get_input_scalar(self, request, name: str, default=None):
|
||||
tensor = pb_utils.get_input_tensor_by_name(request, name)
|
||||
if tensor is None:
|
||||
return default
|
||||
return self._np_decoder(tensor.as_numpy()[0])
|
||||
|
||||
def _np_decoder(self, obj):
|
||||
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):
|
||||
self.logger.log_info(f"Finalizing model {self.model_name}")
|
||||
self.model = None
|
||||
self.tokenizer = None
|
||||
torch.cuda.empty_cache()
|
||||
Loading…
Reference in New Issue
Block a user