译者 | 布加迪
审校 | 重楼
本文介绍了使用FastAPI和Docker生成一个随时可用的Hugging Face模型。
想象一下，利用Hugging Face模型来确定评论的情绪。在过去，第一步是制作这样一个模型，并确保它正常工作。
然而，今天的预训练模型让我们只需花很少的精力，就能准备好这样的大语言模型(LLM)。
一旦我们准备好使用这个模型，主要目标是让公司的同事能够使用这个模型，而不需要下载或从头开始实现它。
为此，我们将创建一个端点API，使用户能够独立地调用和使用模型。这就是我们所说的从头到尾构建的端到端项目。
今天，我们将使用Hugging Face、FastAPI和Docker部署一个简单的模型，演示如何有效地实现这个目标。
第1步：选择我们的Hugging Face模型
首先要做的是选择一个适合我们需要的Hugging Face模型。我们可以使用以下命令在我们的环境中轻松安装Hugging Face：
pip install transformers
# remember to work with transformers we need either tensorflow or pytorch
installed as well
pip install torch
pip install tensorflow现在，我们需要导入Transformer库的管道命令。
from transformers import pipeline然后，使用pipeline命令，我们可以轻松生成一个模型来定义特定文本的情绪。我们可以使用两种不同的方法来做到这一点：通过定义任务“情绪分析”或通过定义模型，如下面的代码所示。
# Defining directly the task we want to implement.
pipe = pipeline(task="sentiment-analysis")
# Defining the model we choose.
pipe = pipeline(model="model-to-be-used")值得一提的是，不建议使用基于任务的方法，因为它限制了我们对所使用的特定模型的控制。
在本文例子中，我选择了“distilbert-base-uncase-fine tuned-sst-2-english”，但你可以随意浏览Hugging Face Hub，选择适合需要的任何型号。你可以在下面的文章(https://www.datacamp.com/tutorial/what-is-hugging-face)中找到Hugging Face的简单指南。
pipe =
pipeline(model="distilbert/distilbert-base-uncased-finetuned-sst-2-english")我们已定义了管道模型，只需发送一个简单的提示，就可以返回结果。比如说，输入以下命令：
print(pipe("This tutorial is great!"))我们将得到[{'label': 'POSITIVE'， 'score': 0.9998689889907837}]
想象一下，我们希望我们的用户得到一个关于这个分类的自然语言句子。我们也可以实施简单的Python代码同样实现这个目的：
def generate_response(prompt:str):
response = pipe("This is a great tutorial!")
label = response[0]["label"]
score = response[0]["score"]
return f"The '{prompt}' input is {label} with a score of {score}"
print(generate_response("This tutorial is great!"))重复同样的试验，我们会得到：
The 'This tutorial is great!' input is POSITIVE with a score of
0.9997909665107727现在我们有了一个切实可行的模型，可以继续定义我们的API。
第2步：使用FastAPI为模型编写API端点
为了定义API，我们将使用FastAPI。它是一个用于构建高性能Web API的Python框架。首先，使用pip命令安装FastAPI库，并将其导入到我们的环境中。此外，我们将利用pydantic库来确保输入是所需的类型。
下面的代码将生成切实可行的API，我们的同事可以直接使用。
from fastapi import FastAPI
from pydantic import BaseModel
from transformers import pipeline
# You can check any other model in the Hugging Face Hub
pipe =
pipeline(model="distilbert/distilbert-base-uncased-finetuned-sst-2-english")
# We define the app
app = FastAPI()
# We define that we expect our input to be a string
class RequestModel(BaseModel):
input: str
# Now we define that we accept post requests
@app.post("/sentiment")
def get_response(request: RequestModel):
prompt = request.input
response = pipe(prompt)
label = response[0]["label"]
score = response[0]["score"]
return f"The '{prompt}' input is {label} with a score of {score}"下面是代码中逐步发生的事情：
- 导入必要的库：代码先导入FastAPI和Pydantic，确保我们收发的数据结构正确。
- 加载模型：加载一个预训练的情绪分析模型，正如我们在第一步中所做的那样。
- 设置FastAPI应用程序：app = FastAPI()初始化FastAPI应用程序，使其准备好处理请求。
- 定义请求模型：使用Pydantic，定义RequestModel类。该类指定了我们期望输入字符串，确保API只接受正确格式的数据。
- 创建端点：@app.post("/sentiment")装饰器告诉FastAPI，当向/sentiment端点发出POST请求时，应该触发该函数。get_response函数接受RequestModel对象作为输入，输入含有我们想要分析的文本。
- 处理请求：在get_response函数中，从请求中提取文本并传递给模型(pipe(prompt))。模型返回带有情绪标签(比如”POSITIVE”或“NEGATIVE”)的响应和表示预测置信度的分数。
- 返回响应：最后，函数返回格式化的字符串，其中包含输入文本、情绪标签和置信度分数，为用户提供一个清晰而简洁的结果。
如果我们执行代码，API将在本地主机中可用，如下图所示：
简而言之，这段代码设置简单的Web服务，你可以往该服务发送一段文本，其给出的回复是分析该文本的情绪，通过FastAPI充分利用Hugging Face模型的强大功能。
接下来，我们应该将应用程序容器化，以便可以在任何地方执行，而不仅仅是在本地计算机上执行。这将确保更好的可移植性和易于部署。
第3步：使用Docker运行我们的模型
容器化需要将应用程序放入容器中。Docker容器运行Docker镜像的实例，这包括它自己的操作系统和应用程序所需的所有依赖项。
比如说，你可以在容器中安装Python和所有必需的包，这样它可以在任何地方运行，不需要安装这些库。
为了在Docker容器中运行我们的情绪分析应用程序，我们先需要创建Docker镜像。这个过程包括写一个Dockerfile，指定Docker镜像应该含有什么。
如果你的系统没有安装Docker，可以从Docker的网站上下载。这是我们将在这个项目中使用的Dockerfile，在存储库中名为Dockerfile。
# Use an official Python runtime as a parent image
FROM python:3.10-slim
# Set the working directory in the container
WORKDIR /sentiment
# Copy the requirements.txt file into the root
COPY requirements.txt .
# Copy the current directory contents into the container at /app as well
COPY ./app ./app
# Install any needed packages specified in requirements.txt
RUN pip install -r requirements.txt
# Make port 8000 available to the world outside this container
EXPOSE 8000
# Run main.py when the container launches, as it is contained under the app
folder, we define app.main
CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8000"]然后，我们只需要在终端中运行以下命令来构建Docker镜像。
docker build -t sentit-app然后为了执行，我们有两个选项：
使用带有命令的终端。
docker run -p 8000:8000 --name name_of_cointainer sentiment-hf使用docker hub。我们很容易进入docker hub，点击镜像的运行按钮。
这就是全部细节!现在，我们有了一个切实可行的情绪分类模型，它可以在任何地方工作，并且可以使用API来执行。
结语
具体流程如下：
- 模型选择和设置：选择和配置一个Hugging Face预训练模型进行情绪分析，确保它满足你的要求。
- 使用FastAPI进行API开发：使用FastAPI创建API端点，实现与情绪分析模型的轻松交互。
- Docker容器化：使用Docker容器化应用程序，以确保可移植性和跨不同环境的无缝部署。
你可以在下面的GitHub代码库中查看我的全部代码：https://github.com/rfeers/data-science-portfolio/tree/main/end-to-end-projects/simple-docker-hf-model。
原文标题：A Simple to Implement End-to-End Project with HuggingFace，作者：Josep Ferrer
链接：
https://www.kdnuggets.com/a-simple-to-implement-end-to-end-project-with-huggingface。
