目录
- 简介
- TextStreamer 基础流式输出
- TextIterateStreamer 迭代器流式输出
- 本地代码模型加载并前端展示
- streamlit 输出显示
- gradio 输出显示
- vllm 部署模型并前端展示
- streamlit 输出显示
- gradio 输出显示
- 备注
简介
本文详细讲解了大模型流式输出的源码实现，包括TextStreamer 基础流式输出和TextIterateStreamer 迭代器流式输出。此外，还提供了两种主流Web框架(Streamlit和Gradio)的部署方案，设计前端界面进行大模型流式输出对话演示。模型提供了本地加载以及vllm部署两种方法，帮助读者快速应用部署大模型。
TextStreamer 基础流式输出
先定义一个基础版流式输出的加载模型并生成的代码
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TextStreamer, Qwen2ForCausalLM
device = "cuda" # the device to load the model ontomodel_path = 'Qwen/Qwen2.5-1.5B-Instruct'
model: Qwen2ForCausalLM = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.bfloat16, device_map="cuda")
tokenizer = AutoTokenizer.from_pretrained(model_path)
text = [{"role": "system", "content": "你是一个人工智能助手"},{"role": "user", "content": '写一个谜语'}
]
text = tokenizer.apply_chat_template(text, tokenize=False, add_generation_prompt=True)
model_inputs = tokenizer(text, return_tensors="pt").to(device)
# 定义基础版的流式输出
# skip_prompt参数决定是否将prompt打印出来
# skip_special_tokens是解码参数，决定tokenizer.decode解码时是否忽略特殊字符，例如<|im_end|>
streamer = TextStreamer(tokenizer, skip_prompt=True, skip_special_tokens=True)generated_ids = model.generate(max_new_tokens=64,do_sample=True,streamer=streamer, # 传入model.generate**model_inputs,
)
generated_ids1 = [output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]response = tokenizer.batch_decode(generated_ids1, skip_special_tokens=True)[0]
print("最终结果：", response)
输出的结果如下，第一行是流式输出打印的结果，他是一个字一个字打印出来的。第二行是代码最后一行的print，打印最终的所有输出。
注意：这里第一行的打印除了传入streamer以外，没有其他的操作，也就是streamer内部自行一个字一个字打印了。
TextStreamer源码
在 transformers\generation\streamers.py文件中写了流式输出类的源码。
首先定义了一个BaseStreamer类，用于其他子类的继承。BaseStreamer类定义了put和end的抽象方法，表示子类在继承的时候必须重写这两个方法，否则这个类无法使用。
from queue import Queue
from typing import TYPE_CHECKING, Optionalif TYPE_CHECKING:from ..models.auto import AutoTokenizerclass BaseStreamer:def put(self, value):raise NotImplementedError()def end(self):raise NotImplementedError()
为什么必须实现这两个方法，我们来看transformers源码是在哪里调用它们的。
首先进入model.generate函数，也就是我们模型常用的生成函数，最开始先调用streamer.put将prompt传入进去，此时需要注意两点。
- 验证当前
batch是否为1，如果大于1会弹出异常，因为流式输出只能传入单个序列。 - 如果传入了
skip_prompt=True，则表示忽略打印prompt，否则在流式输出打印的时候会将prompt也打印出来。
然后在实际采样的时候也会调用，在每个step预测下一个token的时候，会将该token_id传入streamer.put，在内部解码后打印出来。
在整个序列全部生成结束后，调用streamer.end方法，此时会打印剩下缓存中的所有字符。
综上所述，.put()和.end()是TextStreamer的两个核心方法，所以子类必须重写。
下面为TextStreamer类的源码，.put方法接收开始的prompt和下一个预测的token，代码中有详细注释，总结起来的流程如下：
- 验证输入的
batch是否等于1，否则弹出异常 - 如果是第一次输入，则视为
prompt，用参数skip_prompt决定是否打印prompt，并直接返回 - 将下一个
token加入缓存序列中，使用tokenizer.decode解码序列，用4、5、6步决定如何打印 - 如果最后一个字符为换行符，则清空缓存序列，直接打印结尾字符
- 如果最后一个字符是中文，则直接打印
- 如果最后一个字符是英文，则解码出空格之后再打印空格前的字符
- 如果调用
end方法，则打印缓存中剩余的所有token
注：打印方法为print，直接将字符打印到标准输出上stdout
class TextStreamer(BaseStreamer):def __init__(self, tokenizer: "AutoTokenizer", skip_prompt: bool = False, **decode_kwargs):self.tokenizer = tokenizerself.skip_prompt = skip_prompt # 是否打印promptself.decode_kwargs = decode_kwargs # 解码参数# 用于记录流式输出过程中的变量self.token_cache = [] # 缓存tokenself.print_len = 0 # 记录上次打印位置self.next_tokens_are_prompt = True # 第一次为True，后续为False，记录当前调用put()时是否为promptdef put(self, value):"""传入token后解码，然后在他们形成一个完整的词时将其打印到标准输出stdout"""# 这个类只支持 batch_size=1# 第一次运行.put()时，value=input_id，此时检测batch大小，input_id.shape：(batch_size, seq_len)if len(value.shape) > 1 and value.shape[0] > 1:raise ValueError("TextStreamer only supports batch size 1")# 如果输入batch形式，但是batch_size=1，取第一个batch序列elif len(value.shape) > 1:value = value[0]# 第一次输入的视为prompt，用参数判断是否打印promptif self.skip_prompt and self.next_tokens_are_prompt:self.next_tokens_are_prompt = Falsereturn# 将新token添加到缓存，并解码整个tokenself.token_cache.extend(value.tolist())text = self.tokenizer.decode(self.token_cache, **self.decode_kwargs)# 如果token以换行符结尾，则清空缓存if text.endswith("\n"):printable_text = text[self.print_len :]self.token_cache = []self.print_len = 0# 如果最后一个token是中日韩越统一表意文字，则打印该字符elif len(text) > 0 and self._is_chinese_char(ord(text[-1])):printable_text = text[self.print_len :]self.print_len += len(printable_text)# 否则，打印直到最后一个空格字符（简单启发式，防止输出token是不完整的单词，在前一个词解码完毕后在打印）# text="Hello!"，此时不打印。text="Hello! I"，打印Hello!else:printable_text = text[self.print_len : text.rfind(" ") + 1]self.print_len += len(printable_text)self.on_finalized_text(printable_text)def end(self):"""清空缓存，并打印换行符到标准输出stdout"""# 如果缓存不为空，则解码缓存，并打印直到最后一个空格字符if len(self.token_cache) > 0:text = self.tokenizer.decode(self.token_cache, **self.decode_kwargs)printable_text = text[self.print_len :]self.token_cache = []self.print_len = 0else:printable_text = ""self.next_tokens_are_prompt = Trueself.on_finalized_text(printable_text, stream_end=True)def on_finalized_text(self, text: str, stream_end: bool = False):# flush=True，立即刷新缓冲区，实时显示，取消缓冲存在的延迟# 如果stream_end为True，则打印换行符print(text, flush=True, end="" if not stream_end else None)def _is_chinese_char(self, cp):"""检查CP是否是CJK字符"""# 这个定义了一个"chinese character"为CJK Unicode块中的任何内容：# https://en.wikipedia.org/wiki/CJK_Unified_Ideographs_(Unicode_block)# 我们使用Unicode块定义，因为这些字符是唯一的，并且它们是所有主要语言的常见字符。# 注意，CJK Unicode块不仅仅是日语和韩语字符，# 尽管它的名字如此，现代韩语的Hangul字母是另一个块，# 日语的Hiragana和Katakana也是另一个块，# 那些字母用于写space-separated words，所以它们不被特别处理，像其他语言一样处理if ((cp >= 0x4E00 and cp <= 0x9FFF)or (cp >= 0x3400 and cp <= 0x4DBF) #or (cp >= 0x20000 and cp <= 0x2A6DF) #or (cp >= 0x2A700 and cp <= 0x2B73F) #or (cp >= 0x2B740 and cp <= 0x2B81F) #or (cp >= 0x2B820 and cp <= 0x2CEAF) #or (cp >= 0xF900 and cp <= 0xFAFF)or (cp >= 0x2F800 and cp <= 0x2FA1F) #): return Truereturn False
TextIterateStreamer 迭代器流式输出
定义一个迭代器版流式输出的加载模型并生成的代码，与基础版的区别是需要单独启动一个线程调用，并且不会默认使用print打印到标准输出，需要将其视为迭代器循环取出字符。
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TextIteratorStreamer, Qwen2ForCausalLM
device = "cuda" # the device to load the model ontomodel_path = 'Qwen/Qwen2.5-1.5B-Instruct'
model: Qwen2ForCausalLM = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.bfloat16, device_map="cuda")
tokenizer = AutoTokenizer.from_pretrained(model_path)
text = [{"role": "system", "content": "你是一个人工智能助手"},{"role": "user", "content": '写一个谜语'}
]
text = tokenizer.apply_chat_template(text, tokenize=False, add_generation_prompt=True)
model_inputs = tokenizer(text, return_tensors="pt").to(device)
# 定义迭代版的流式输出，输入参数与基础版相同
# skip_prompt参数决定是否将prompt打印出来
# skip_special_tokens是解码参数，决定tokenizer.decode解码时是否忽略特殊字符，例如<|im_end|>
streamer = TextIteratorStreamer(tokenizer, skip_prompt=True, skip_special_tokens=True)
generation_kwargs = dict(model_inputs, streamer=streamer, max_new_tokens=100)
# 在单独的线程中调用.generate()
thread = Thread(target=model.generate, kwargs=generation_kwargs)
thread.start()# 启动线程之后生成结果会阻塞，此时可以在任何地方调用streamer迭代器取出输出结果
# 当前将其取出后使用print打印，也可以自定义显示方法，例如下文使用gradio或streamlit显示
generated_text = ""
for new_text in streamer:print(new_text, end="", flush=True)
TextIteratorStreamer 源码
TextIteratorStreamer继承了TextStreamer类，也就是说复用了TextStreamer类中的.put()和.end()方法，只是在输出的时候重写了on_finalized_text()方法。
这意味着不再使用print将文本打印到标准输出，而是放到一个队列中。并且将对象本身也包装成了一个迭代器，每次调用时从队列中取出文本并返回，根据用户自己定义的方式去进行输出。
总结起来的流程如下（基于TextStreamer）：
model.generate()中的put()方法依然使用TextStreamer中定义的，只不过在最后一行调用on_finalized_text()方法时，将该文本放入Queue队列中- 如果调用了
end()方法，将一个停止信号(设为None)也放入Queue队列中 - 定义
__iter__方法将自身包装成迭代器 - 每次循环调用迭代器，执行
__next__方法，从队列中取出一段文本返回
from queue import Queue
from typing import TYPE_CHECKING, Optionalclass TextIteratorStreamer(TextStreamer):"""将打印就绪的文本存储在队列中的流式处理器,可以被下游应用程序作为迭代器使用。这对于需要以非阻塞方式访问生成文本的应用程序很有用(例如在交互式 Gradio 演示中)。Parameters:tokenizer (`AutoTokenizer`):The tokenized used to decode the tokens.skip_prompt (`bool`, *optional*, defaults to `False`):Whether to skip the prompt to `.generate()` or not. Useful e.g. for chatbots.timeout (`float`, *optional*):文本队列的超时时间。如果为`None`,队列将无限期阻塞。当在单独的线程中调用`.generate()`时,这对于处理异常很有用。decode_kwargs (`dict`, *optional*):Additional keyword arguments to pass to the tokenizer's `decode` method."""def __init__(self, tokenizer: "AutoTokenizer", skip_prompt: bool = False, timeout: Optional[float] = None, **decode_kwargs):super().__init__(tokenizer, skip_prompt, **decode_kwargs)self.text_queue = Queue() # 文本队列self.stop_signal = None # 停止信号self.timeout = timeout # 队列超时时间def on_finalized_text(self, text: str, stream_end: bool = False):"""Put the new text in the queue. If the stream is ending, also put a stop signal in the queue."""# 将新文本放入队列self.text_queue.put(text, timeout=self.timeout)# 如果流结束，则将停止信号放入队列if stream_end:self.text_queue.put(self.stop_signal, timeout=self.timeout)# 调用自己，返回迭代器def __iter__(self):return selfdef __next__(self):# 调用一次迭代器，就从队列中获取一段文本，如果超时则抛出异常，默认self.timeout，表示不限时长value = self.text_queue.get(timeout=self.timeout)# 如果获取到停止信号,则抛出StopIteration异常表示迭代结束if value == self.stop_signal:raise StopIteration()# 否则返回获取到的文本else:return value
本地代码模型加载并前端展示
streamlit 输出显示
使用streamlit定义一个简单的对话界面，在streamlit程序中进行模型加载，并支持流式输出。
import streamlit as st
import random
import timeimport torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TextIteratorStreamer, Qwen2ForCausalLM
from threading import Thread
device = "cuda" # the device to load the model ontost.title("大模型流式输出测试")if "messages" not in st.session_state:st.session_state.messages = [{"role": "system", "content": "你是一个人工智能助手"}]model_path = 'D:\learning\python\pretrain_checkpoint\Qwen2.5-1.5B-Instruct'st.session_state.model: Qwen2ForCausalLM = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.bfloat16, device_map="cuda")st.session_state.tokenizer = AutoTokenizer.from_pretrained(model_path)for message in st.session_state.messages[1:]:with st.chat_message(message["role"]):st.markdown(message["content"])
if prompt := st.chat_input("请输入问题"):with st.chat_message("user"):st.markdown(prompt)st.session_state.messages.append({"role": "user", "content": prompt})text = st.session_state.tokenizer.apply_chat_template(st.session_state.messages, tokenize=False, add_generation_prompt=True)model_inputs = st.session_state.tokenizer(text, return_tensors="pt").to(device)streamer = TextIteratorStreamer(st.session_state.tokenizer, skip_prompt=True, skip_special_tokens=True)generation_kwargs = dict(model_inputs, streamer=streamer, max_new_tokens=1024)# 在单独的线程中调用.generate()thread = Thread(target=st.session_state.model.generate, kwargs=generation_kwargs)thread.start()with st.chat_message("assistant"):message_placeholder = st.empty()generated_text = ""for new_text in streamer:generated_text += new_textmessage_placeholder.markdown(generated_text)st.session_state.messages.append({"role": "assistant", "content": generated_text})if st.button("清空"):st.session_state.messages = [{"role": "system", "content": "你是一个人工智能助手"}]st.rerun()
下图为实际展示的界面，可以在下方输入框输入问题，大模型会流式输出回答。简单定义了一个清空历史消息的按钮，用于重新开启对话。
gradio 输出显示
使用gradio定义一个简单的对话界面，在gradio程序中进行模型加载，并支持流式输出。
import gradio as gr
from threading import Thread
from typing import List
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TextIteratorStreamer, Qwen2ForCausalLM
device = "cuda" # the device to load the model ontomodel_path = 'D:\learning\python\pretrain_checkpoint\Qwen2.5-1.5B-Instruct'
model: Qwen2ForCausalLM = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.bfloat16, device_map="cuda")
tokenizer = AutoTokenizer.from_pretrained(model_path)def chat(question, history):message = [{"role": "system", "content": "你是一个人工智能助手"}]if not history:message.append({"role": "user", "content": question})else:for i in history:message.append({"role": "user", "content": i[0]})message.append({"role": "assistant", "content": i[1]})message.append({"role": "user", "content": question})text = tokenizer.apply_chat_template(message, tokenize=False, add_generation_prompt=True)encoding = tokenizer(text, return_tensors="pt").to(device)streamer = TextIteratorStreamer(tokenizer, skip_prompt=True, skip_special_tokens=True)generation_kwargs = dict(encoding, streamer=streamer, max_new_tokens=1024)thread = Thread(target=model.generate, kwargs=generation_kwargs)thread.start()response = ""for text in streamer:response += textyield responsedemo = gr.ChatInterface(fn=chat,title="聊天机器人",description="输入问题开始对话"
)demo.queue().launch()
下图为实际展示的界面
vllm 部署模型并前端展示
使用如下命令启动部署一个模型，注意以下参数
CUDA_VISIBLE_DEVICES：指定GPU索引python：先conda进入你的环境，再启动--host 0.0.0.0 --port 5001：指定ip+端口--served-model-name：启动服务的名字，也就是下面调用client.chat.completions.create时输入的model名字--model：模型权重的存储位置--tensor_parallel_size：使用几个GPU加载模型，与前面CUDA_VISIBLE_DEVICES要对应上--gpu-memory-utilization：kv cache占用显存比例，使用默认0.9就好
CUDA_VISIBLE_DEVICES=0 python -m vllm.entrypoints.openai.api_server --host 0.0.0.0 --port 5001 --served-model-name qwen2.5 --model /data0/zejun7/model_checkpoint/Qwen2.5-1.5B-Instruct --tensor_parallel_size 1 --gpu-memory-utilization 0.9
streamlit 输出显示
使用streamlit定义一个简单的对话界面，在streamlit调用vllm部署的模型，并支持流式输出。
import streamlit as st
import random
import timeimport torch
from openai import OpenAIst.title("大模型流式输出测试")def get_response(message):openai_api_key = "EMPTY"openai_api_base = "http://0.0.0.0:5001/v1" # 换成自己的ip+端口client = OpenAI(api_key=openai_api_key,base_url=openai_api_base,)response = client.chat.completions.create(model="qwen2.5",messages=message,stream=True,)for chunk in response:if chunk.choices[0].delta.content is None:yield ""else:yield chunk.choices[0].delta.contentif "messages" not in st.session_state:st.session_state.messages = [{"role": "system", "content": "你是一个人工智能助手"}]for message in st.session_state.messages[1:]:with st.chat_message(message["role"]):st.markdown(message["content"])
if prompt := st.chat_input("请输入问题"):with st.chat_message("user"):st.markdown(prompt)st.session_state.messages.append({"role": "user", "content": prompt})with st.chat_message("assistant"):message_placeholder = st.empty()generated_text = ""for new_text in get_response(st.session_state.messages):generated_text += new_textmessage_placeholder.markdown(generated_text)st.session_state.messages.append({"role": "assistant", "content": generated_text})if st.button("清空"):st.session_state.messages = [{"role": "system", "content": "你是一个人工智能助手"}]st.rerun()
gradio 输出显示
使用gradio定义一个简单的对话界面，在gradio中调用vllm部署的模型，并支持流式输出。
import gradio as gr
from openai import OpenAIdef chat(question, history):message = [{"role": "system", "content": "你是一个人工智能助手"}]if not history:message.append({"role": "user", "content": question})else:for i in history:message.append({"role": "user", "content": i[0]})message.append({"role": "assistant", "content": i[1]})message.append({"role": "user", "content": question})openai_api_key = "EMPTY"openai_api_base = "http://0.0.0.0:5001/v1" # 换成自己的ip+端口client = OpenAI(api_key=openai_api_key,base_url=openai_api_base,)response = client.chat.completions.create(model="qwen2.5",messages=message,stream=True,)response_text = ""for chunk in response:if chunk.choices[0].delta.content is None:response_text += ""yield response_textelse:response_text += chunk.choices[0].delta.contentyield response_textdemo = gr.ChatInterface(fn=chat,title="聊天机器人",description="输入问题开始对话"
)demo.queue().launch(server_name="0.0.0.0", # 如果不好使，可以尝试换成localhost或自身真正的ip地址share=True,
)
下图为实际展示的界面
备注
如需使用此代码，注意替换中间的模型等参数，文中所有代码放置于github
)
