轻松集成 AI 模型：构建和评估 AI 模型（Spring Boot 和 Hugging Face）

人工智能革命已经到来，随之而来的是不断增长的强大模型列表，这些模型可以生成文本、创建视觉效果并解决复杂问题。但让我们面对现实吧：有如此多的选择，找出最适合您的项目的模型可能会让人不知所措。如果有一种方法可以快速测试这些模型，查看它们的实际结果，并决定将哪个模型集成到您的生产系统中，会怎么样？

进入Hugging Face 的推理 API——探索和利用最先进的人工智能模型的捷径。它通过提供即插即用的解决方案，消除了设置、托管或训练模型的麻烦。无论您是在集思广益新功能还是评估模型的功能，Hugging Face 都能让 AI 集成变得比以往更简单。

在本博客中，我将引导您使用 Spring Boot 构建一个轻量级后端应用程序，让您可以轻松测试和评估 AI 模型。以下是您可以期待的：

---

？你将学到什么

• 访问 AI 模型：了解如何使用 Hugging Face 的推理 API 来探索和测试模型。
• 构建后端：创建一个 Spring Boot 应用程序来与这些模型交互。
• 测试模型：使用示例提示设置和测试文本和图像生成的端点。

最后，您将拥有一个方便的工具来测试不同的人工智能模型，并就它们是否适合您的项目需求做出明智的决定。如果您准备好弥合好奇心和实施之间的差距，那就开始吧！

---

?️ 为什么要拥抱人脸推理 API？

这就是为什么 Hugging Face 能够改变 AI 集成的游戏规则：

• 易于使用：无需训练或部署模型 - 只需调用 API。
• 多样性：访问超过 150,000 个模型来执行文本生成、图像创建等任务。
• 可扩展性：非常适合原型设计和生产使用。

---

？你将构建什么

我们将构建 QuickAI，一个 Spring Boot 应用程序：

1. 生成文本：根据提示创建创意内容。
2. 生成图像：将文本描述转化为视觉效果。
3. 提供API文档：使用Swagger测试API并与API交互。

---

？入门

第 1 步：注册拥抱脸

前往huggingface.co 并创建一个帐户（如果您还没有帐户）。

第 2 步：获取您的 API 密钥

导航至您的帐户设置并生成 API 密钥。此密钥将允许您的 Spring Boot 应用程序与 Hugging Face 的 Inference API 进行交互。

第 3 步：探索模型

查看拥抱脸部模型中心，找到适合您需求的模型。在本教程中，我们将使用：

• 文本生成模型（例如 HuggingFaceH4/zephyr-7b-beta）。
• 图像生成模型（例如，stabilityai/stable-diffusion-xl-base-1.0）。

---

?️ 设置 Spring Boot 项目

第1步：创建一个新的Spring Boot项目

使用 Spring Initializr 设置具有以下依赖项的项目：

• Spring WebFlux：用于反应式、非阻塞 API 调用。
• Lombok：减少样板代码。
• Swagger：API 文档。

第2步：添加拥抱脸配置

将您的 Hugging Face API 密钥和模型 URL 添加到 application.properties 文件：

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

？接下来是什么？

让我们深入研究代码并构建文本和图像生成服务。请继续关注！

1. 文本生成服务：

@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
    }
}

2.图像生成服务：

@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"));
                });
    }
}

示例提示及其结果： ?

1. 基于文本的端点：

2. 基于图像的端点：

？探索该项目

准备好潜水了吗？查看 QuickAI GitHub 存储库以查看完整代码并继续操作。如果您觉得有用，请给它⭐。

奖金 ？

想要进一步推进这个项目吗？

• 我已经为 API 文档配置了 Swagger UI，这将帮助您构建前端应用程序。
• 使用您最喜欢的前端框架（例如 React、Angular 或只是简单的 HTML/CSS/Vanilla JS）构建一个简单的前端应用程序。

？恭喜你已经走到这一步了。

现在你知道如何使用拥抱脸了吗？：

1. 在您的应用程序中快速使用 AI 模型。
2. 生成文本：根据提示创建创意内容。
3. 生成图像：将文本描述转化为视觉效果。

？让我们联系吧！

想要合作或有任何建议可以在 LinkedIn 上找到我，Portfolio 也可以在 GitHub 上查看我的其他项目。

有问题或建议，请在下面发表评论，我很乐意解决。

快乐编码！ ？

以上是轻松集成 AI 模型：构建和评估 AI 模型（Spring Boot 和 Hugging Face）的详细内容。更多信息请关注PHP中文网其他相关文章！