Penyepaduan Model AI yang Mudah: Bina dan Nilai Model AI (Spring Boot dan Memeluk Muka)

Revolusi AI sudah tiba, dan bersamanya disertakan senarai model berkuasa yang sentiasa berkembang yang boleh menjana teks, mencipta visual dan menyelesaikan masalah yang rumit. Tetapi mari kita hadapi itu: dengan begitu banyak pilihan, memikirkan model yang paling sesuai untuk projek anda boleh menjadi sangat menggembirakan. Bagaimana jika terdapat cara untuk menguji model ini dengan cepat, melihat keputusannya dalam tindakan dan memutuskan yang mana satu untuk disepadukan ke dalam sistem pengeluaran anda?

Masukkan Hugging Face’s Inference API—pintasan anda untuk meneroka dan memanfaatkan model AI yang canggih. Ia menghilangkan kerumitan menyediakan, mengehos atau melatih model dengan menawarkan penyelesaian plug-and-play. Sama ada anda sedang bercadang tentang ciri baharu atau menilai keupayaan model, Wajah Memeluk menjadikan integrasi AI lebih mudah berbanding sebelum ini.

Dalam blog ini, saya akan membimbing anda membina aplikasi bahagian belakang yang ringan menggunakan Spring Boot yang membolehkan anda menguji dan menilai model AI dengan mudah. Inilah yang anda boleh jangkakan:

---

? Apa yang Anda Akan Pelajari

• Akses Model AI: Ketahui cara menggunakan API Inferens Memeluk Wajah untuk meneroka dan menguji model.
• Bina Bahagian Belakang: Cipta aplikasi Spring Boot untuk berinteraksi dengan model ini.
• Model Ujian: Sediakan dan uji titik akhir untuk penjanaan teks dan imej menggunakan gesaan sampel.

Pada akhirnya, anda akan mempunyai alat yang berguna untuk memandu uji model AI yang berbeza dan membuat keputusan termaklum tentang kesesuaian mereka untuk keperluan projek anda. Jika anda sudah bersedia untuk merapatkan jurang antara rasa ingin tahu dan pelaksanaan, mari mulakan!

---

?️ Mengapa API Inferens Wajah Memeluk?

Inilah sebabnya Hugging Face ialah penukar permainan untuk penyepaduan AI:

• Kemudahan Penggunaan: Tidak perlu melatih atau menggunakan model—panggil sahaja API.
• Pelbagai: Akses lebih 150,000 model untuk tugasan seperti penjanaan teks, penciptaan imej dan banyak lagi.
• Skalabiliti: Sesuai untuk prototaip dan penggunaan pengeluaran.

---

? Perkara yang Anda Akan Bina

Kami akan membina QuickAI, aplikasi Spring Boot yang:

1. Menjana Teks: Cipta kandungan kreatif berdasarkan gesaan.
2. Menjana Imej: Tukar penerangan teks kepada visual.
3. Menyediakan Dokumentasi API: Gunakan Swagger untuk menguji dan berinteraksi dengan API.

---

? Bermula

Langkah 1: Daftar untuk Memeluk Muka

Lawati huggingface.co dan buat akaun jika anda belum memilikinya.

Langkah 2: Dapatkan Kunci API Anda

Navigasi ke tetapan akaun anda dan jana kunci API. Kunci ini akan membenarkan aplikasi Spring Boot anda berinteraksi dengan API Inferens Memeluk Wajah.

Langkah 3: Teroka Model

Lihat Hub Model Wajah Memeluk untuk mencari model untuk keperluan anda. Untuk tutorial ini, kami akan menggunakan:

• Satu model penjanaan teks (cth., HuggingFaceH4/zephyr-7b-beta).
• Satu model penjanaan imej (cth., stabilityai/stable-diffusion-xl-base-1.0).

---

?️ Menyediakan Projek Spring Boot

Langkah 1: Cipta Projek But Spring Baharu

Gunakan Spring Initializr untuk menyediakan projek anda dengan kebergantungan berikut:

• Spring WebFlux: Untuk panggilan API reaktif dan tidak menyekat.
• Lombok: Untuk mengurangkan kod boilerplate.
• Swagger: Untuk dokumentasi API.

Langkah 2: Tambah Konfigurasi Muka Memeluk

Tambahkan kunci API Hugging Face dan URL model anda pada fail application.properties:

huggingface.text.api.url=https://api-inference.huggingface.co/models/your-text-model
huggingface.api.key=your-api-key-here
huggingface.image.api.url=https://api-inference.huggingface.co/models/your-image-model

? Apa Seterusnya?

Mari kita mendalami kod dan bina perkhidmatan untuk penjanaan teks dan imej. Nantikan!

1. Perkhidmatan Menjana Teks:

@Service
public class LLMService {
    private final WebClient webClient;
    private static final Logger logger = LoggerFactory.getLogger(LLMService.class);

    // Constructor to initialize WebClient with Hugging Face API URL and API key
    public LLMService(@Value("${huggingface.text.api.url}") String apiUrl,
                      @Value("${huggingface.api.key}") String apiKey) {
        this.webClient = WebClient.builder()
                .baseUrl(apiUrl) // Set the base URL for the API
                .defaultHeader("Authorization", "Bearer " + apiKey) // Add API key to the header
                .build();
    }

    // Method to generate text using Hugging Face's Inference API
    public Mono<string> generateText(String prompt) {
        // Validate the input prompt
        if (prompt == null || prompt.trim().isEmpty()) {
            return Mono.error(new IllegalArgumentException("Prompt must not be null or empty"));
        }

        // Create the request body with the prompt
        Map<string string> body = Collections.singletonMap("inputs", prompt);

        // Make a POST request to the Hugging Face API
        return webClient.post()
                .bodyValue(body) 
                .retrieve() 
                .bodyToMono(String.class) 
                .doOnSuccess(response -> logger.info("Response received: {}", response)) // Log successful responses
                .doOnError(error -> logger.error("Error during API call", error)) // Log errors
                .retryWhen(Retry.backoff(3, Duration.ofMillis(500))) // Retry on failure with exponential backoff
                .timeout(Duration.ofSeconds(5)) // Set a timeout for the API call
                .onErrorResume(error -> Mono.just("Fallback response due to error: " + error.getMessage())); // Provide a fallback response on error
    }
}
</string></string>

2. Perkhidmatan Penjanaan Imej:

@Service
public class ImageGenerationService {

    private static final Logger logger = LoggerFactory.getLogger(ImageGenerationService.class);
    private final WebClient webClient;

    public ImageGenerationService(@Value("${huggingface.image.api.url}") String apiUrl,
                                  @Value("${huggingface.api.key}") String apiKey) {
        this.webClient = WebClient.builder()
                .baseUrl(apiUrl)
                .defaultHeader("Authorization", "Bearer " + apiKey)
                .build();
    }

    public Mono<byte> generateImage(String prompt) {
        if (prompt == null || prompt.trim().isEmpty()) {
            return Mono.error(new IllegalArgumentException("Prompt must not be null or empty"));
        }

        Map<string string> body = Collections.singletonMap("inputs", prompt);

        return webClient.post()
                .bodyValue(body)
                .retrieve()
                .bodyToMono(byte[].class) / Convert the response to a Mono<byte> (image bytes)
                .timeout(Duration.ofSeconds(10)) // Timeout after 10 seconds
                .retryWhen(Retry.backoff(3, Duration.ofMillis(500))) // Retry logic
                .doOnSuccess(response -> logger.info("Image generated successfully for prompt: {}", prompt))
                .doOnError(error -> logger.error("Error generating image for prompt: {}", prompt, error))
                .onErrorResume(WebClientResponseException.class, ex -> {
                    logger.error("HTTP error during image generation: {}", ex.getMessage(), ex);
                    return Mono.error(new RuntimeException("Error generating image: " + ex.getMessage()));
                })
                .onErrorResume(TimeoutException.class, ex -> {
                    logger.error("Timeout while generating image for prompt: {}", prompt);
                    return Mono.error(new RuntimeException("Request timed out"));
                });
    }
}
</byte></string></byte>

Contoh gesaan dan keputusannya: ?

1. Titik Akhir Berdasarkan Teks:

2. Titik Akhir Berdasarkan Imej:

? Terokai Projek

Bersedia untuk menyelam? Lihat repositori QuickAI GitHub untuk melihat kod penuh dan ikut serta. Jika anda rasa ia berguna maka berikan ⭐.

Bonus ?

Ingin meneruskan projek ini?

• Saya telah mengkonfigurasi Swagger UI untuk dokumentasi API yang akan membantu anda dalam membina Apl bahagian hadapan.
• Bina apl frontend ringkas menggunakan rangka kerja frontend kegemaran anda (seperti React, Angular atau HTML biasa/CSS/Vanilla JS).

? Tahniah anda berjaya sejauh ini.

Sekarang anda tahu cara menggunakan Muka Memeluk ?:

1. Untuk menggunakan model AI dengan pantas dalam aplikasi anda.
2. Jana Teks: Cipta kandungan kreatif daripada gesaan.
3. Jana Imej: Tukar penerangan teks kepada visual.

? Mari Berhubung!

Ingin bekerjasama atau mempunyai sebarang cadangan cari saya di LinkedIn, Portfolio juga lihat projek saya yang lain di sini GitHub.

Ada soalan atau cadangan, sila komen di sini di bawah saya akan berbesar hati untuk menanganinya.

Selamat Pengekodan! ?

Atas ialah kandungan terperinci Penyepaduan Model AI yang Mudah: Bina dan Nilai Model AI (Spring Boot dan Memeluk Muka). Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!