Node JS 调用模型Xenova_all-MiniLM-L6-v2实战

本篇通过将句子数组转换为句子的向量表示，并通过平均池化和归一化处理，生成适合机器学习或深度学习任务使用的特征向量为例，演示通过NodeJS 的方式调用Xenova/all-MiniLM-L6-v2 的过程。

关于 all-MiniLM-L6-v2 的介绍，可以参照上一篇：

一篇吃透模型：all-MiniLM-L6-v2

可以访问 Hugging Face的状况

Hugging 的站点是：

https://huggingface.co/

如果可以访问该站点的话，则直接安装 Hugging Face 的 Transformers 库。

npm i @huggingface/transformers

之后就可以编写代码：

import { pipeline } from '@huggingface/transformers';

// Create a feature-extraction pipeline
const extractor = await pipeline('feature-extraction', 'Xenova/all-MiniLM-L6-v2');

// Compute sentence embeddings
const sentences = ['This is an example sentence', 'Each sentence is converted'];
const output = await extractor(sentences, { pooling: 'mean', normalize: true });
console.log(output);

上面代码作用就是加载模型，将语句转换为向量，细节的部分下面再介绍，执行的效果如下：

到此，就成功的运行了。

但是如果无法访问Hugging Face 的化， 运行就会出现如下错误：

PS D:\devworkspace\vs\ai_ency\ai_nodejs_ency> node .\src\llm\minilm\huggingface-minilm.js
node:internal/deps/undici/undici:12502
      Error.captureStackTrace(err, this);
            ^

TypeError: fetch failed
    at node:internal/deps/undici/undici:12502:13
    at processTicksAndRejections (node:internal/process/task_queues:95:5)
    at runNextTicks (node:internal/process/task_queues:64:3)
    at process.processImmediate (node:internal/timers:449:9)
    at async getModelFile (file:///D:/devworkspace/vs/ai_ency/ai_nodejs_ency/node_modules/@huggingface/transformers/dist/transformers.mjs:31325:24)
    at async getModelJSON (file:///D:/devworkspace/vs/ai_ency/ai_nodejs_ency/node_modules/@huggingface/transformers/dist/transformers.mjs:31427:18)
    at async Promise.all (index 0)
    at async loadTokenizer (file:///D:/devworkspace/vs/ai_ency/ai_nodejs_ency/node_modules/@huggingface/transformers/dist/transformers.mjs:24731:18)
    at async AutoTokenizer.from_pretrained (file:///D:/devworkspace/vs/ai_ency/ai_nodejs_ency/node_modules/@huggingface/transformers/dist/transformers.mjs:29020:50)
    at async Promise.all (index 0) {
  [cause]: ConnectTimeoutError: Connect Timeout Error
      at onConnectTimeout (node:internal/deps/undici/undici:6635:28)
      at node:internal/deps/undici/undici:6587:50
      at Immediate._onImmediate (node:internal/deps/undici/undici:6617:37)
      at process.processImmediate (node:internal/timers:478:21) {
    code: 'UND_ERR_CONNECT_TIMEOUT'
  }
}

因为默认会从Hugging Face下载模型文件，无法下载，报上面的fetch 获取错误， 有解决方法吗？

答案就是从ModelScope 下载模型文件。

从 ModelScope 下载模型文件

ModelScope上面也维护了 Xenova/all-MiniLM-L6-v2 的模型文件， 地址是：

https://www.modelscope.cn/models/Xenova/all-MiniLM-L6-v2/files

但是，ModelScope提供了Python的库，却没有NodeJS的库，所以无法直接通过ModelScope的来下载，但是可以下载模型的文件，下载方式就是先安装ModelScope，然后用ModelScope 的命令行下载模型文件：

modelscope download --model Xenova/all-MiniLM-L6-v2

下载后的文件目录如下图：

下载后，将这个目录中的内容复制到NodeJS 项目的node_modules 目录下的 node_modules@huggingface\transformers.cache 目录下， 这也是Hugging Face下载模型文件的目录，结构如下图：

复制完成之后，就可以正常运行了。

补充介绍： Transformers 是什么？

Transformers 是由 Hugging Face 团队开发的开源 库，专注于提供基于 Transformer 架构 的预训练模型和工具。它简化了自然语言处理（NLP）任务的实现流程，支持文本生成、翻译、分类、问答等场景，并兼容 PyTorch、TensorFlow 等深度学习框架。

Transformers 有Python 和 NodeJS 两个版本。

如果Hugging Face无法访问

• Python 版本可以使用ModelScope提供的库
• NodeJS

补充介绍： 代码详细解释

const extractor = await pipeline(...) 是使用 Hugging Face Transformers.js 库的核心方法之一，用于创建一个 预训练模型的推理管道。通过 pipeline，可以轻松加载模型并执行各种任务（如文本分类、特征提取、问答等）。

---

pipeline 的作用是：

1. 加载模型：从本地或远程加载预训练模型和分词器。
2. 封装推理逻辑：将模型的输入预处理、推理和后处理逻辑封装成一个简单的接口。
3. 执行任务：根据任务类型（如 feature-extraction、text-classification 等），对输入数据进行处理并返回结果。

---

参数详解

pipeline 方法的完整签名如下：

const pipeline = await transformers.pipeline(task, model, options);

1. task（必需）

指定要执行的任务类型。常见的任务包括：

• feature-extraction：特征提取（生成句子或词的嵌入向量）。
• text-classification：文本分类。
• question-answering：问答任务。
• translation：翻译任务。
• text-generation：文本生成。
• 其他任务：如 summarization、fill-mask 等。

示例：

const extractor = await pipeline('feature-extraction');

---

2. model（可选）

指定要加载的模型。可以是以下之一：

• 模型名称：从 Hugging Face Hub 加载的模型名称（如 Xenova/all-MiniLM-L6-v2）。
• 本地路径：本地模型文件的路径（如 ./custom_model）。
• 未指定：如果不提供，库会加载默认模型。

示例：

// 从 Hugging Face Hub 加载模型
const extractor = await pipeline('feature-extraction', 'Xenova/all-MiniLM-L6-v2');

// 从本地路径加载模型
const extractor = await pipeline('feature-extraction', './custom_model');

---

3. options（可选）

一个配置对象，用于自定义模型加载和推理行为。常见选项包括：

选项	类型	描述
local_files_only	boolean	是否仅从本地加载模型（默认 false）。设置为 true 可禁用网络请求。
revision	string	模型版本（如 main 或特定 commit hash）。
cache_dir	string	缓存目录路径。设置为 null 可禁用缓存。
quantized	boolean	是否加载量化模型（默认 false）。
progress_callback	function	加载模型时的进度回调函数。
device	string	推理设备（如 cpu 或 gpu）。
pooling	string	特征提取时的池化方式（如 mean、max）。
normalize	boolean	是否对特征向量进行归一化（默认 false）。

示例：

const extractor = await pipeline('feature-extraction', 'Xenova/all-MiniLM-L6-v2', {
  local_files_only: true, // 仅从本地加载
  revision: 'main',       // 使用主分支版本
  pooling: 'mean',        // 使用均值池化
  normalize: true,        // 对输出向量归一化
});

---

返回值

pipeline 返回一个 推理函数，可以直接用于处理输入数据。具体返回值类型取决于任务类型。

示例：

// 特征提取任务
const extractor = await pipeline('feature-extraction');

// 使用推理函数
const sentences = ['This is an example sentence'];
const embeddings = await extractor(sentences, { pooling: 'mean' });
console.log(embeddings);

---

---