如何修改模板网站,网站建设空格怎么打,青州哪里做网站做得好,北京房产网官网1. 流式输出和非流失输出#xff1a;
大模型的流式输出#xff08;Streaming Output#xff09;和非流式输出#xff08;Non-streaming Output#xff09;是指在生成文本或其他输出时#xff0c;如何将结果返回给用户或下游系统。
流式输出 (Streaming Output)#xf…1. 流式输出和非流失输出
大模型的流式输出Streaming Output和非流式输出Non-streaming Output是指在生成文本或其他输出时如何将结果返回给用户或下游系统。
流式输出 (Streaming Output)流式输出意味着模型生成的内容是逐步、逐块返回的而不是等到整个生成过程完成后再一次性返回所有内容。 优点 用户可以更早地开始看到部分结果提高用户体验。 对于长时间生成任务可以减少内存占用因为不需要一次性存储完整的输出。 更适合实时应用如在线聊天机器人其中即时反馈是非常重要的。 应用场景适用于需要即时响应的场景比如对话系统、直播翻译等。
非流式输出 (Non-streaming Output)非流式输出是指模型在完成整个生成过程后一次性返回全部生成的结果。 **优点 实现简单易于处理和调试。 在某些情况下可能更适合那些需要对完整输出进行后续处理的应用。 应用场景适用于那些不依赖即时反馈、或者需要对整个输出进行整体处理的场景例如批量文本生成、文档摘要等。
2. 流式输出、非流失输出和vllm的同步、异步关系
对于vllm同步无论是流式还是非流式输出vllm的LLM函数创建的模型对象通常以同步的方式工作处理多并发情况时只能以队列形式一个个输出。对于非流式输出它会阻塞直到生成完成并返回结果对于流式输出它也可以逐步返回数据给前端但这是假流式因为后端以及把所有的文本都输出了然后我们又把文本一个个传给前端。
对vllm异步异步引擎同样可以支持流式和非流式输出但它允许你以非阻塞的方式处理这些输出。你可以启动一个生成任务而不等待它完成然后根据需要逐步获取流式输出或者在任务完成后一次性获取非流式输出也是并发状态。这为高并发环境下的应用提供了更好的性能和灵活性。
总结流式输出和非流式输出关注的是输出的传输方式而AsyncLLMEngine和LLM则更多地涉及到执行模式同步 vs 异步。两者可以组合使用例如你可以使用AsyncLLMEngine来异步地处理流式输出从而在高并发环境中获得最佳性能和用户体验。
3. fastapi流式响应代码
from fastapi import FastAPI
import uvicorn
import os
import json
import time
from starlette.responses import StreamingResponse
# from fastapi.responses import StreamingResponse# 创建一个FastAPI应用程序实例
app FastAPI()app.post(/api)
def aaa():# StreamingResponse是一个提供的用于包装流式响应的类必须以json字符串进行数据传递# starlette.responses和fastapi.responses中的StreamingResponse对象实现方式基本类似。return StreamingResponse(handle_post_request())def handle_post_request():for i in range(5):print(i)time.sleep(1)yield json.dumps({type: i}) \nif __name__ __main__:uvicorn.run(app, host0.0.0.0, portint(os.environ.get(API_PORT, 7777)), workers1)开启上述api后使用以下代码发送请求
import json
import requests# url_api http://10.4.0.141:800h1/cat/stream
url_api http://localhost:7777/api# 此调用方法为推荐方法。也可直接request.post发送请求见https://editor.csdn.net/md/?articleId144560081
with requests.post(url_api, streamTrue) as r:r.raise_for_status() # 检查请求是否成功print(r.iter_lines())for line in r.iter_lines():if line: # 过滤掉保持连接的空行print(json.loads(line.decode(utf-8)))4. LLM流式输出代码(非接口型仅后端)
普通后端的流式输出使用TextStreamer是同步的不适合做api的流式响应
from modelscope import AutoModelForCausalLM, AutoTokenizer
from transformers import TextStreamer
model_name 地址model AutoModelForCausalLM.from_pretrained(model_name,torch_dtypeauto,device_mapauto
)
tokenizer AutoTokenizer.from_pretrained(model_name)prompt 你是谁
messages [{role: system, content: You are Qwen, created by Alibaba Cloud. You are a helpful assistant.},{role: user, content: prompt}
]
text tokenizer.apply_chat_template(messages,tokenizeFalse,add_generation_promptTrue
)
model_inputs tokenizer([text], return_tensorspt).to(model.device)# 非流输出
# generated_ids model.generate(
# **model_inputs,
# max_new_tokens1024
# )# generated_ids [
# output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
# ]# response tokenizer.batch_decode(generated_ids, skip_special_tokensTrue)[0]
# print(response)# 流输出普通后端的流式输出使用TextStreamer这是同步的不适合于api交互做流式响应必须使用TextIteratorStreamer它是异步的
streamer TextStreamer(tokenizer, skip_promptTrue, skip_special_tokensTrue)
generated_ids model.generate(**model_inputs,max_new_tokens512,streamerstreamer,
)5. LLM流式响应代码(接口型FastAPI)
API的流式输出使用TextIteratorStreamer是异步的适合做api的流式响应
from fastapi import FastAPI
import uvicorn
import os
import json
from starlette.responses import StreamingResponse
# from fastapi.responses import StreamingResponse
from transformers import TextIteratorStreamer
from threading import Thread
from modelscope import AutoModelForCausalLM, AutoTokenizer# 创建一个FastAPI应用程序实例
app FastAPI()model_name 地址model AutoModelForCausalLM.from_pretrained(model_name,torch_dtypeauto,device_mapauto
)
tokenizer AutoTokenizer.from_pretrained(model_name)prompt 写一篇800字的作文
messages [{role: system, content: You are Qwen, created by Alibaba Cloud. You are a helpful assistant.},{role: user, content: prompt}
]
text tokenizer.apply_chat_template(messages,tokenizeFalse,add_generation_promptTrue
)
model_inputs tokenizer([text], return_tensorspt).to(model.device)app.post(/api)
def aaa():# StreamingResponse包装的是可迭代对象return StreamingResponse(handle_post_request())def handle_post_request():# TextIteratorStreamer为异步。skip_promptTrue, skip_special_tokensTrue可以去除输出中的|im_start|等标记streamer TextIteratorStreamer(tokenizer, timeout60.0, skip_promptTrue, skip_special_tokensTrue)generation_kwargs {max_new_tokens: 1024, # 或者任何其他生成参数streamer: streamer,}thread Thread(targetmodel.generate, kwargs{**model_inputs, **generation_kwargs})thread.start()answer for new_text in streamer:answer new_textprint(answer)yield json.dumps({content: answer}) \nif __name__ __main__:uvicorn.run(app, host0.0.0.0, portint(os.environ.get(API_PORT, 7777)), workers1)前端的调用为
import json
import requests# url_api http://10.4.0.141:800h1/cat/stream
url_api http://localhost:7777/apiwith requests.post(url_api, streamTrue) as r:r.raise_for_status() # 检查请求是否成功print(r.iter_lines())for line in r.iter_lines():if line: # 过滤掉保持连接的空行print(json.loads(line.decode(utf-8)))6. 注意
非流式响应fastapi之间的通信一般都是json对象的形式发送请求时请求体为{}后端返回请求时的响应体也为{}。
流式响应fastapi之间的通信一般都是json对象字符串格式的形式。使用json.dumps()将 str或者python对象basemodel或者dict转为json字符串格式。且流式响应一定要使用StreamingResponse对象包装
