app.py

import gradio as gr
import torch
from transformers import (
    AutoModelForCausalLM,
    AutoTokenizer,
    TextIteratorStreamer,
    LlamaTokenizer,
)
import os
from threading import Thread
import spaces
import subprocess

# flash-attn 라이브러리 설치. CUDA 빌드는 건너뜀.
subprocess.run(
    "pip install flash-attn --no-build-isolation",
    env={"FLASH_ATTENTION_SKIP_CUDA_BUILD": "TRUE"},
    shell=True,
)

# Hugging Face 토큰 가져오기
token = os.environ["HF_TOKEN"]

# apple/OpenELM-270M 모델과 토크나이저 로드
# 토크나이저가 오류나는 문제가 있어서 NousResearch/Llama-2-7b-hf를 씀 
# 한국어 모델 토크나이저로 바꿔봄 beomi/llama-2-ko-7b
# apple/OpenELM-1.1B 토크나이저만 크게 해봄 <- 안됨
# apple/OpenELM-270M-Instruct로 둘다 변경 해봄 <- 안됨
model = AutoModelForCausalLM.from_pretrained(
    "apple/OpenELM-270M-Instruct",
    token=token,
    trust_remote_code=True,
)
tok = AutoTokenizer.from_pretrained(
    "NousResearch/Llama-2-7b-hf",
    token=token,
    trust_remote_code=True,
    tokenizer_class=LlamaTokenizer,
)

# 종료 토큰 ID 설정
terminators = [
    tok.eos_token_id,
]

# GPU가 사용 가능한 경우 GPU로, 아니면 CPU로 모델 로드
if torch.cuda.is_available():
    device = torch.device("cuda")
    print(f"Using GPU: {torch.cuda.get_device_name(device)}")
else:
    device = torch.device("cpu")
    print("Using CPU")

model = model.to(device)

# Spaces의 GPU 자원을 사용하여 chat 함수 실행. 최대 60초 동안 GPU 자원 사용 가능.
@spaces.GPU(duration=60)
def chat(message, history, temperature, do_sample, max_tokens):
    # 채팅 기록을 적절한 형식으로 변환
    chat = []
    for item in history:
        chat.append({"role": "user", "content": item[0]})
        if item[1] is not None:
            chat.append({"role": "assistant", "content": item[1]})
    chat.append({"role": "user", "content": message})
    
    # 토크나이저를 사용하여 입력 처리
    messages = tok.apply_chat_template(chat, tokenize=False, add_generation_prompt=True)
    model_inputs = tok([messages], return_tensors="pt").to(device)
    
    # TextIteratorStreamer를 사용하여 모델 출력 스트리밍
    streamer = TextIteratorStreamer(
        tok, timeout=20.0, skip_prompt=True, skip_special_tokens=True
    )
    
    # 생성 관련 매개변수 설정
    generate_kwargs = dict(
        model_inputs,
        streamer=streamer,
        max_new_tokens=max_tokens,  # 생성할 최대 새 토큰 수
        do_sample=True,  # 샘플링 여부
        temperature=temperature,  # 온도 매개변수. 높을수록 다양성 증가
        eos_token_id=terminators,  # 종료 토큰 ID
    )

    # 온도가 0이면 샘플링하지 않음
    if temperature == 0:
        generate_kwargs["do_sample"] = False

    # 별도 스레드에서 모델 생성 시작
    t = Thread(target=model.generate, kwargs=generate_kwargs)
    t.start()

    # 생성된 텍스트를 반복적으로 yield
    partial_text = ""
    for new_text in streamer:
        partial_text += new_text
        yield partial_text

    yield partial_text

# Gradio의 ChatInterface를 사용하여 대화형 인터페이스 생성
demo = gr.ChatInterface(
    fn=chat,
    examples=[["let's talk about korea"]],
    additional_inputs_accordion=gr.Accordion(
        label="⚙️ Parameters", open=False, render=False
    ),
    additional_inputs=[
        gr.Slider(
            minimum=0, maximum=1, step=0.1, value=0.7, label="Temperature", render=False
        ),
        gr.Checkbox(label="Sampling", value=True),
        gr.Slider(
            minimum=128,
            maximum=4096,
            step=1,
            value=512,
            label="Max new tokens",
            render=False,
        ),
    ],
    stop_btn="Stop Generation",
    title="Chat With LLMs",
    description="Now Running [apple/OpenELM-270M](https://huggingface.co/apple/OpenELM-270M)",
)

# Gradio 인터페이스 실행
demo.launch()