NLP(一百一十)创建HuggingFace Spaces应用

本文将会介绍如何在HuggingFace Spaces中创建应用,方便别人使用。

HuggingFace Spaces是一个基于云的平台,旨在让用户轻松构建、部署和分享人工智能(AI)应用。通过Spaces,用户可以托管预训练或自定义的Transformer模型,并与他人共享,涵盖自然语言处理、计算机视觉和语音等领域的模型。此外,Spaces提供了易于使用的图形用户界面(GUI),使用户能够快速创建和部署Web托管的AI应用程序。

在文章NLP(一百零九)Embedding中的Late Chunking(迟分)策略中,笔者讲到将会把中文Late Chunking的Gradio服务部署至HuggingFace Spaces.整个过程还是非常简单的,下面笔者将会介绍如何在HuggingFace Spaces中创建应用。

首先,你需要在HuggingFace上注册账号,点击账号头像的+ New Space按钮,创建新的应用(Space)。

创建新的应用

在Space SDK中选择Gradio,并选择空白模板 填写好响应的信息后,就能在此Space下面看到如下文件。

文件列表

新增requirements.txt文件,内容如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
cohere==4.39
elasticsearch==7.17.0
faiss-cpu==1.7.4
llama-index==0.9.21
numpy==1.26.2
pandas==2.1.4
plotly==5.18.0
Requests==2.31.0
retry==0.9.2
tqdm==4.66.1
gradio==4.12.0
openpyxl==3.1.2
transformers==4.39.3
torch==2.1.0

新增app.py,这是整个项目的入口文件,非常重要。你需要在这个文件中放置整个应用的入口代码,笔者创建的中文Late Chunking的Gradio服务的Python代码如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
import gradio as gr
import numpy as np
from transformers import AutoModel, AutoTokenizer

# load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained('jinaai/jina-embeddings-v2-base-zh', trust_remote_code=True)
model = AutoModel.from_pretrained('jinaai/jina-embeddings-v2-base-zh', trust_remote_code=True)


def chunk_by_sentences(input_text: str, tokenizer: callable, separator: str):
inputs = tokenizer(input_text, return_tensors='pt', return_offsets_mapping=True)
punctuation_mark_id = tokenizer.convert_tokens_to_ids(separator)
print(f"separator: {separator}, punctuation_mark_id: {punctuation_mark_id}")
sep_id = tokenizer.eos_token_id
token_offsets = inputs['offset_mapping'][0]
token_ids = inputs['input_ids'][0]
chunk_positions = [
(i, int(start + 1))
for i, (token_id, (start, end)) in enumerate(zip(token_ids, token_offsets))
if token_id == punctuation_mark_id
and (
token_offsets[i + 1][0] - token_offsets[i][1] >= 0
or token_ids[i + 1] == sep_id
)
]
chunks = [
input_text[x[1]: y[1]]
for x, y in zip([(1, 0)] + chunk_positions[:-1], chunk_positions)
]
span_annotations = [
(x[0], y[0]) for (x, y) in zip([(1, 0)] + chunk_positions[:-1], chunk_positions)
]
return chunks, span_annotations


def late_chunking(model_output, span_annotation, max_length=None):
token_embeddings = model_output[0]
outputs = []
for embeddings, annotations in zip(token_embeddings, span_annotation):
if max_length is not None:
annotations = [
(start, min(end, max_length - 1))
for (start, end) in annotations
if start < (max_length - 1)
]
pooled_embeddings = [
embeddings[start:end].sum(dim=0) / (end - start)
for start, end in annotations
if (end - start) >= 1
]
pooled_embeddings = [
embedding.detach().cpu().numpy() for embedding in pooled_embeddings
]
outputs.append(pooled_embeddings)

return outputs


def embedding_retriever(query_input, text_input, separator):
chunks, span_annotations = chunk_by_sentences(text_input, tokenizer, separator)
print(f"chunks: ", chunks)
inputs = tokenizer(text_input, return_tensors='pt', max_length=4096, truncation=True)
model_output = model(**inputs)
late_chunking_embeddings = late_chunking(model_output, [span_annotations])[0]

query_inputs = tokenizer(query_input, return_tensors='pt')
query_embedding = model(**query_inputs)[0].detach().cpu().numpy().mean(axis=1)

traditional_chunking_embeddings = model.encode(chunks)

cos_sim = lambda x, y: np.dot(x, y) / (np.linalg.norm(x) * np.linalg.norm(y))

naive_embedding_score_dict = {}
late_chunking_embedding_score_dict = {}
for chunk, trad_embed, new_embed in zip(chunks, traditional_chunking_embeddings, late_chunking_embeddings):
# 计算query和每个chunk的embedding的cosine similarity,相似度分数转化为float类型
naive_embedding_score_dict[chunk] = round(cos_sim(query_embedding, trad_embed).tolist()[0], 4)
late_chunking_embedding_score_dict[chunk] = round(cos_sim(query_embedding, new_embed).tolist()[0], 4)

naive_embedding_order = sorted(
naive_embedding_score_dict.items(), key=lambda x: x[1], reverse=True
)
late_chunking_order = sorted(
late_chunking_embedding_score_dict.items(), key=lambda x: x[1], reverse=True
)

df_data = []
for i in range(len(naive_embedding_order)):
df_data.append([i+1, naive_embedding_order[i][0], naive_embedding_order[i][1],
late_chunking_order[i][0], late_chunking_order[i][1]])
return df_data


if __name__ == '__main__':
with gr.Blocks() as demo:
query = gr.TextArea(lines=1, placeholder="your query", label="Query")
text = gr.TextArea(lines=3, placeholder="your text", label="Text")
sep = gr.TextArea(lines=1, placeholder="your separator", label="Separator")
submit = gr.Button("Submit")
result = gr.DataFrame(headers=["order", "naive_embedding_text", "naive_embedding_score",
"late_chunking_text", "late_chunking_score"],
label="Retrieve Result",
wrap=True)

submit.click(fn=embedding_retriever,
inputs=[query, text, sep],
outputs=[result])
demo.launch()

新增app.py文件后,系统会自动创建Docker服务,稍等一会后在App页面就能看到我们的Gradio服务已经启动完毕,看Logs(日志)也没有报错。

App页面

访问网址为:https://huggingface.co/spaces/jclian91/Chinese_Late_Chunking .

这样我们就在HuggingFace Spaces中创建好了自己的应用,可以方便别人访问。

欢迎关注我的公众号NLP奇幻之旅,原创技术文章第一时间推送。

欢迎关注我的知识星球“自然语言处理奇幻之旅”,笔者正在努力构建自己的技术社区。


NLP(一百一十)创建HuggingFace Spaces应用
https://percent4.github.io/NLP(一百一十)创建HuggingFace-Spaces应用/
作者
Jclian91
发布于
2025年1月8日
许可协议