llama.cpp/examples/low_level_api_inference.py

50 lines
1.3 KiB
Python
Raw Normal View History

2023-03-24 03:45:59 +00:00
""" Example of low-level API inference based on https://github.com/ggerganov/llama.cpp/issues/384#issuecomment-1480129622
"""
import multiprocessing
import llama_cpp
N_THREADS = multiprocessing.cpu_count()
prompt = b"\n\n### Instruction:\nWhat is the capital of France?\n\n### Response:\n"
lparams = llama_cpp.llama_context_default_params()
ctx = llama_cpp.llama_init_from_file(b"models/ggml-alpaca-7b-q4.bin", lparams)
tmp = [0, 1, 2, 3]
llama_cpp.llama_eval(ctx, (llama_cpp.c_int * len(tmp))(*tmp), len(tmp), 0, N_THREADS)
embd_inp = (llama_cpp.llama_token * (len(prompt) + 1))()
n_of_tok = llama_cpp.llama_tokenize(ctx, prompt, embd_inp, len(embd_inp), True)
embd_inp = embd_inp[:n_of_tok]
for i in range(len(embd_inp)):
llama_cpp.llama_eval(ctx, (llama_cpp.c_int * 1)(embd_inp[i]), 1, i, N_THREADS)
prediction = b""
embd = embd_inp
n = 8
for i in range(n):
2023-03-24 18:35:41 +00:00
id = llama_cpp.llama_sample_top_p_top_k(
ctx,
(llama_cpp.c_int * len(embd))(*embd),
n_of_tok + i,
40,
0.8,
0.2,
1.0 / 0.85,
)
2023-03-24 03:45:59 +00:00
embd.append(id)
prediction += llama_cpp.llama_token_to_str(ctx, id)
llama_cpp.llama_eval(ctx, (llama_cpp.c_int * 1)(embd[-1]), 1, len(embd), N_THREADS)
llama_cpp.llama_free(ctx)
2023-03-24 18:35:41 +00:00
print(prediction.decode("utf-8"))