parent
93d8977ba2
commit
ae30bd346d
@ -0,0 +1,353 @@ |
|||||||
|
package main |
||||||
|
|
||||||
|
import ( |
||||||
|
"embed" |
||||||
|
"fmt" |
||||||
|
"net/http" |
||||||
|
"strconv" |
||||||
|
"strings" |
||||||
|
"sync" |
||||||
|
|
||||||
|
model "github.com/go-skynet/llama-cli/pkg/model" |
||||||
|
|
||||||
|
llama "github.com/go-skynet/go-llama.cpp" |
||||||
|
"github.com/gofiber/fiber/v2" |
||||||
|
"github.com/gofiber/fiber/v2/middleware/cors" |
||||||
|
"github.com/gofiber/fiber/v2/middleware/filesystem" |
||||||
|
"github.com/gofiber/fiber/v2/middleware/recover" |
||||||
|
) |
||||||
|
|
||||||
|
type OpenAIResponse struct { |
||||||
|
Created int `json:"created,omitempty"` |
||||||
|
Object string `json:"chat.completion,omitempty"` |
||||||
|
ID string `json:"id,omitempty"` |
||||||
|
Model string `json:"model,omitempty"` |
||||||
|
Choices []Choice `json:"choices,omitempty"` |
||||||
|
} |
||||||
|
|
||||||
|
type Choice struct { |
||||||
|
Index int `json:"index,omitempty"` |
||||||
|
FinishReason string `json:"finish_reason,omitempty"` |
||||||
|
Message Message `json:"message,omitempty"` |
||||||
|
Text string `json:"text,omitempty"` |
||||||
|
} |
||||||
|
|
||||||
|
type Message struct { |
||||||
|
Role string `json:"role,omitempty"` |
||||||
|
Content string `json:"content,omitempty"` |
||||||
|
} |
||||||
|
|
||||||
|
type OpenAIModel struct { |
||||||
|
ID string `json:"id"` |
||||||
|
Object string `json:"object"` |
||||||
|
} |
||||||
|
|
||||||
|
//go:embed index.html
|
||||||
|
var indexHTML embed.FS |
||||||
|
|
||||||
|
func completionEndpoint(defaultModel *llama.LLama, loader *model.ModelLoader, threads int, defaultMutex *sync.Mutex, mutexMap *sync.Mutex, mutexes map[string]*sync.Mutex) func(c *fiber.Ctx) error { |
||||||
|
return func(c *fiber.Ctx) error { |
||||||
|
|
||||||
|
var err error |
||||||
|
var model *llama.LLama |
||||||
|
|
||||||
|
// Get input data from the request body
|
||||||
|
input := new(struct { |
||||||
|
Model string `json:"model"` |
||||||
|
Prompt string `json:"prompt"` |
||||||
|
}) |
||||||
|
if err := c.BodyParser(input); err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
if input.Model == "" { |
||||||
|
if defaultModel == nil { |
||||||
|
return fmt.Errorf("no default model loaded, and no model specified") |
||||||
|
} |
||||||
|
model = defaultModel |
||||||
|
} else { |
||||||
|
model, err = loader.LoadModel(input.Model) |
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
// This is still needed, see: https://github.com/ggerganov/llama.cpp/discussions/784
|
||||||
|
if input.Model != "" { |
||||||
|
mutexMap.Lock() |
||||||
|
l, ok := mutexes[input.Model] |
||||||
|
if !ok { |
||||||
|
m := &sync.Mutex{} |
||||||
|
mutexes[input.Model] = m |
||||||
|
l = m |
||||||
|
} |
||||||
|
mutexMap.Unlock() |
||||||
|
l.Lock() |
||||||
|
defer l.Unlock() |
||||||
|
} else { |
||||||
|
defaultMutex.Lock() |
||||||
|
defer defaultMutex.Unlock() |
||||||
|
} |
||||||
|
|
||||||
|
// Set the parameters for the language model prediction
|
||||||
|
topP, err := strconv.ParseFloat(c.Query("topP", "0.9"), 64) // Default value of topP is 0.9
|
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
topK, err := strconv.Atoi(c.Query("topK", "40")) // Default value of topK is 40
|
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
temperature, err := strconv.ParseFloat(c.Query("temperature", "0.5"), 64) // Default value of temperature is 0.5
|
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
tokens, err := strconv.Atoi(c.Query("tokens", "128")) // Default value of tokens is 128
|
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
predInput := input.Prompt |
||||||
|
// A model can have a "file.bin.tmpl" file associated with a prompt template prefix
|
||||||
|
templatedInput, err := loader.TemplatePrefix(input.Model, struct { |
||||||
|
Input string |
||||||
|
}{Input: input.Prompt}) |
||||||
|
if err == nil { |
||||||
|
predInput = templatedInput |
||||||
|
} |
||||||
|
|
||||||
|
// Generate the prediction using the language model
|
||||||
|
prediction, err := model.Predict( |
||||||
|
predInput, |
||||||
|
llama.SetTemperature(temperature), |
||||||
|
llama.SetTopP(topP), |
||||||
|
llama.SetTopK(topK), |
||||||
|
llama.SetTokens(tokens), |
||||||
|
llama.SetThreads(threads), |
||||||
|
) |
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
// Return the prediction in the response body
|
||||||
|
return c.JSON(OpenAIResponse{ |
||||||
|
Model: input.Model, |
||||||
|
Choices: []Choice{{Text: prediction}}, |
||||||
|
}) |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
func chatEndpoint(defaultModel *llama.LLama, loader *model.ModelLoader, threads int, defaultMutex *sync.Mutex, mutexMap *sync.Mutex, mutexes map[string]*sync.Mutex) func(c *fiber.Ctx) error { |
||||||
|
return func(c *fiber.Ctx) error { |
||||||
|
var err error |
||||||
|
var model *llama.LLama |
||||||
|
|
||||||
|
// Get input data from the request body
|
||||||
|
input := new(struct { |
||||||
|
Messages []Message `json:"messages"` |
||||||
|
Model string `json:"model"` |
||||||
|
}) |
||||||
|
if err := c.BodyParser(input); err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
// TODO: drop me!
|
||||||
|
if input.Model == "gpt-3.5-turbo" { |
||||||
|
input.Model = "ggml-koala-7b-model-q4_0-r2" |
||||||
|
} |
||||||
|
|
||||||
|
if input.Model == "" { |
||||||
|
if defaultModel == nil { |
||||||
|
return fmt.Errorf("no default model loaded, and no model specified") |
||||||
|
} |
||||||
|
model = defaultModel |
||||||
|
} else { |
||||||
|
model, err = loader.LoadModel(input.Model) |
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
// This is still needed, see: https://github.com/ggerganov/llama.cpp/discussions/784
|
||||||
|
if input.Model != "" { |
||||||
|
mutexMap.Lock() |
||||||
|
l, ok := mutexes[input.Model] |
||||||
|
if !ok { |
||||||
|
m := &sync.Mutex{} |
||||||
|
mutexes[input.Model] = m |
||||||
|
l = m |
||||||
|
} |
||||||
|
mutexMap.Unlock() |
||||||
|
l.Lock() |
||||||
|
defer l.Unlock() |
||||||
|
} else { |
||||||
|
defaultMutex.Lock() |
||||||
|
defer defaultMutex.Unlock() |
||||||
|
} |
||||||
|
|
||||||
|
// Set the parameters for the language model prediction
|
||||||
|
topP, err := strconv.ParseFloat(c.Query("topP", "0.9"), 64) // Default value of topP is 0.9
|
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
topK, err := strconv.Atoi(c.Query("topK", "40")) // Default value of topK is 40
|
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
temperature, err := strconv.ParseFloat(c.Query("temperature", "0.5"), 64) // Default value of temperature is 0.5
|
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
tokens, err := strconv.Atoi(c.Query("tokens", "128")) // Default value of tokens is 128
|
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
mess := []string{} |
||||||
|
for _, i := range input.Messages { |
||||||
|
mess = append(mess, i.Content) |
||||||
|
} |
||||||
|
|
||||||
|
predInput := strings.Join(mess, "\n") |
||||||
|
|
||||||
|
// A model can have a "file.bin.tmpl" file associated with a prompt template prefix
|
||||||
|
templatedInput, err := loader.TemplatePrefix(input.Model, struct { |
||||||
|
Input string |
||||||
|
}{Input: predInput}) |
||||||
|
if err == nil { |
||||||
|
predInput = templatedInput |
||||||
|
} |
||||||
|
|
||||||
|
// Generate the prediction using the language model
|
||||||
|
prediction, err := model.Predict( |
||||||
|
predInput, |
||||||
|
llama.SetTemperature(temperature), |
||||||
|
llama.SetTopP(topP), |
||||||
|
llama.SetTopK(topK), |
||||||
|
llama.SetTokens(tokens), |
||||||
|
llama.SetThreads(threads), |
||||||
|
) |
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
// Return the prediction in the response body
|
||||||
|
return c.JSON(OpenAIResponse{ |
||||||
|
Model: input.Model, |
||||||
|
Choices: []Choice{{Message: Message{Role: "assistant", Content: prediction}}}, |
||||||
|
}) |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
func Start(defaultModel *llama.LLama, loader *model.ModelLoader, listenAddr string, threads int) error { |
||||||
|
app := fiber.New() |
||||||
|
|
||||||
|
// Default middleware config
|
||||||
|
app.Use(recover.New()) |
||||||
|
app.Use(cors.New()) |
||||||
|
|
||||||
|
// This is still needed, see: https://github.com/ggerganov/llama.cpp/discussions/784
|
||||||
|
var mutex = &sync.Mutex{} |
||||||
|
mu := map[string]*sync.Mutex{} |
||||||
|
var mumutex = &sync.Mutex{} |
||||||
|
|
||||||
|
// openAI compatible API endpoint
|
||||||
|
app.Post("/v1/chat/completions", chatEndpoint(defaultModel, loader, threads, mutex, mumutex, mu)) |
||||||
|
app.Post("/v1/completions", completionEndpoint(defaultModel, loader, threads, mutex, mumutex, mu)) |
||||||
|
app.Get("/v1/models", func(c *fiber.Ctx) error { |
||||||
|
models, err := loader.ListModels() |
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
dataModels := []OpenAIModel{} |
||||||
|
for _, m := range models { |
||||||
|
dataModels = append(dataModels, OpenAIModel{ID: m, Object: "model"}) |
||||||
|
} |
||||||
|
return c.JSON(struct { |
||||||
|
Object string `json:"object"` |
||||||
|
Data []OpenAIModel `json:"data"` |
||||||
|
}{ |
||||||
|
Object: "list", |
||||||
|
Data: dataModels, |
||||||
|
}) |
||||||
|
}) |
||||||
|
|
||||||
|
app.Use("/", filesystem.New(filesystem.Config{ |
||||||
|
Root: http.FS(indexHTML), |
||||||
|
NotFoundFile: "index.html", |
||||||
|
})) |
||||||
|
|
||||||
|
/* |
||||||
|
curl --location --request POST 'http://localhost:8080/predict' --header 'Content-Type: application/json' --data-raw '{
|
||||||
|
"text": "What is an alpaca?", |
||||||
|
"topP": 0.8, |
||||||
|
"topK": 50, |
||||||
|
"temperature": 0.7, |
||||||
|
"tokens": 100 |
||||||
|
}' |
||||||
|
*/ |
||||||
|
// Endpoint to generate the prediction
|
||||||
|
app.Post("/predict", func(c *fiber.Ctx) error { |
||||||
|
mutex.Lock() |
||||||
|
defer mutex.Unlock() |
||||||
|
// Get input data from the request body
|
||||||
|
input := new(struct { |
||||||
|
Text string `json:"text"` |
||||||
|
}) |
||||||
|
if err := c.BodyParser(input); err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
// Set the parameters for the language model prediction
|
||||||
|
topP, err := strconv.ParseFloat(c.Query("topP", "0.9"), 64) // Default value of topP is 0.9
|
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
topK, err := strconv.Atoi(c.Query("topK", "40")) // Default value of topK is 40
|
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
temperature, err := strconv.ParseFloat(c.Query("temperature", "0.5"), 64) // Default value of temperature is 0.5
|
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
tokens, err := strconv.Atoi(c.Query("tokens", "128")) // Default value of tokens is 128
|
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
// Generate the prediction using the language model
|
||||||
|
prediction, err := defaultModel.Predict( |
||||||
|
input.Text, |
||||||
|
llama.SetTemperature(temperature), |
||||||
|
llama.SetTopP(topP), |
||||||
|
llama.SetTopK(topK), |
||||||
|
llama.SetTokens(tokens), |
||||||
|
llama.SetThreads(threads), |
||||||
|
) |
||||||
|
if err != nil { |
||||||
|
return err |
||||||
|
} |
||||||
|
|
||||||
|
// Return the prediction in the response body
|
||||||
|
return c.JSON(struct { |
||||||
|
Prediction string `json:"prediction"` |
||||||
|
}{ |
||||||
|
Prediction: prediction, |
||||||
|
}) |
||||||
|
}) |
||||||
|
|
||||||
|
// Start the server
|
||||||
|
app.Listen(listenAddr) |
||||||
|
return nil |
||||||
|
} |
Loading…
Reference in new issue