本文引见了经常使用FastAPI和Docker生成一个随时可用的Hugging Face模型。
构想一下，应用Hugging Face模型来确定评论的心情。在过去，第一步是制造这样一个模型，并确保它反常上班。
但是，当天的预训练模型让咱们只有花很少的精神，就能预备好这样的大言语模型(LLM)。
一旦咱们预备好经常使用这个模型，重要指标是让公司的共事能够经常使用这个模型，而不须要下载或从头开局成功它。
为此，咱们将创立一个端点API，经常使用户能够独立地调用和经常使用模型。这就是咱们所说的从头到尾构建的端到端名目。
当天，咱们将经常使用Hugging Face、FastAPI和Docker部署一个便捷的模型，演示如何有效地成功这个指标。
第1步：选用咱们的Hugging Face模型
首先要做的是选用一个适宜咱们须要的Hugging Face模型。咱们可以经常使用以下命令在咱们的环境中轻松装置Hugging Face：
pip install transformers# remember to work with transformers we need either tensorflow or pytorchinstalled as wellpip install torchpip install tensorflow如今，咱们须要导入Transformer库的管道命令。
from transformers import pipeline而后，经常使用pipeline命令，咱们可以轻松生成一个模型来定义特定文本的心情。咱们可以经常使用两种不同的方法来做到这一点：经过定义义务“心情剖析”或经过定义模型，如上方的代码所示。
# 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，不倡导经常使用基于义务的方法，由于它限度了咱们对所经常使用的特定模型的控制。
在本文例子中，我选用了“distilbert-base-uncase-fine tuned-sst-2-english”，但你可以轻易阅读HuggingFaceHub，选用适宜须要的任何型号。你可以在上方的文章(中找到HuggingFace的便捷指南。
pipe =pipeline(model="distilbert/distilbert-base-uncased-finetuned-sst-2-english")咱们已定义了管道模型，只有发送一个便捷的揭示，就可以前往结果。比如说，输入以下命令：
print(pipe("This tutorial is great!"))咱们将获取[{'label': 'POSITIVE'， 'score': 0.9998689889907837}]
构想一下，咱们宿愿咱们的用户获取一个对于这个分类的人造言语句子。咱们也可以实施便捷的Python代码雷同成功这个目的：
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!"))重复雷同的实验，咱们会获取：
The 'This tutorial is great!' input is POSITIVE with a score of0.9997909665107727如今咱们有了一个实际可行的模型，可以继续定义咱们的API。
第2步：经常使用FastAPI为模型编写API端点
为了定义API，咱们将经常使用FastAPI。它是一个用于构建高性能WebAPI的Python框架。首先，经常使用pip命令装置FastAPI库，并将其导入到咱们的环境中。此外，咱们将应用pydantic库来确保输入是所需的类型。
上方的代码将生成实际可行的API，咱们的共事可以间接经常使用。
from fastapi import FastAPIfrom pydantic import BaseModelfrom transformers import pipeline# You can check any other model in the Hugging Face Hubpipe =pipeline(model="distilbert/distilbert-base-uncased-finetuned-sst-2-english")# We define the appapp = FastAPI()# We define that we expect our input to be a stringclass RequestModel(BaseModel):input: str# Now we define that we accept post requests@app.post("/sentiment")def get_response(request: RequestModel):prompt = request.inputresponse = pipe(prompt)label = response[0]["label"]score = response[0]["score"]return f"The '{prompt}' input is {label} with a score of {score}"上方是代码中逐渐出现的事情：
假设咱们口头代码，API将在本地服务器中可用，如下图所示：
简而言之，这段代码设置便捷的Web服务，你可以往该服务发送一段文本，其给出的回复是剖析该文本的心情，经过FastAPI充沛应用HuggingFace模型的弱小性能。
接上去，咱们应该将运行程序容器化，以便可以在任何中央口头，而不只仅是在本地计算机上口头。这将确保更好的可移植性和易于部署。
第3步：经常使用Docker运转咱们的模型
容器化须要将运行程序放入容器中。Docker容器运转Docker镜像的实例，这包括它自己的操作系统和运行程序所需的一切依赖项。
比如说，你可以在容器中装置Python和一切必须的包，这样它可以在任何中央运转，不须要装置这些库。
为了在Docker容器中运转咱们的心情剖析运行程序，咱们先须要创立Docker镜像。这个环节包括写一个Dockerfile，指定Docker镜像应该含有什么。
假设你的系统没有装置Docker，可以从Docker的网站高低载。这是咱们将在这个名目中经常使用的Dockerfile，在存储库中名为Dockerfile。
# Use an official Python runtime as a parent imageFROM python:3.10-slim# Set the working directory in the containerWORKDIR /sentiment# Copy the requirements.txt file into the rootCOPY requirements.txt .# Copy the current directory contents into the container at /app as wellCOPY ./app ./app# Install any needed packages specified in requirements.txtRUN pip install -r requirements.txt# Make port 8000 available to the world outside this containerEXPOSE 8000# Run main.py when the container launches, as it is contained under the appfolder, we define app.mainCMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8000"]而后，咱们只有要在终端中运转以下命令来构建Docker镜像。
docker build -t sentit-app而后为了口头，咱们有两个选项：
经常使用带有命令的终端。
docker run -p 8000:8000 --name name_of_cointainer sentiment-hf经常使用docker hub。咱们很容易进入docker hub，点击镜像的运转按钮。
这就是所有细节!如今，咱们有了一个实际可行的心情分类模型，它可以在任何中央上班，并且可以经常使用API来口头。
结语
详细流程如下：
你可以在上方的GitHub代码库中检查我的所有代码：。
原文题目：A Simple to Implement End-to-End Project with HuggingFace，作者：JosepFerrer
链接：