import torch import numpy as np import json import random import string 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}") random_string = ''.join(random.choices(string.ascii_letters + string.digits, k=10)) # output = gened_text.strip() output = random_string # 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