人工智慧革命已經到來，隨之而來的是不斷增長的強大模型列表，這些模型可以生成文字、創(chuàng)建視覺效果並解決複雜問題。但讓我們面對現(xiàn)實：有這麼多的選擇，找出最適合您的專案的模型可能會讓人不知所措。如果有一種方法可以快速測試這些模型，查看它們的實際結果，並決定將哪個模型整合到您的生產系統(tǒng)中，會怎麼樣？

進入Hugging Face 的推理 API－探索並利用最先進的人工智慧模式的捷徑。它透過提供即插即用的解決方案，消除了設定、託管或訓練模型的麻煩。無論您是在集思廣益新功能還是評估模型的功能，Hugging Face 都能讓 AI 整合變得比以往更簡單。

在本部落格中，我將引導您使用 Spring Boot 建立一個輕量級後端應用程序，讓您可以輕鬆測試和評估 AI 模型。以下是您可以期待的：

---

？你將學到什麼

• 存取 AI 模型：了解如何使用 Hugging Face 的推理 API 來探索和測試模型。
• 建立後端：建立一個 Spring Boot 應用程式來與這些模型互動。
• 測試模型：使用範例提示設定和測試文字和圖像產生的端點。

最後，您將擁有一個方便的工具來測試不同的人工智慧模型，並就它們是否適合您的專案需求做出明智的決定。如果您準備好彌合好奇心和實施之間的差距，那就開始吧！

---

?? 為什麼要擁抱人臉推理 API？

這就是為什麼 Hugging Face 能夠改變 AI 整合的遊戲規(guī)則：

• 易於使用：無需訓練或部署模型 - 只需呼叫 API。
• 多樣性：存取超過 150,000 個模型來執(zhí)行文字產生、圖像建立等任務。
• 可擴充性：非常適合原型設計和生產使用。

---

？你將建構什麼

我們將建立 QuickAI，一個 Spring Boot 應用程式：

1. 產生文字：根據提示建立創(chuàng)意內容。
2. 產生圖像：將文字描述轉換為視覺效果。
3. 提供API文件：使用Swagger測試API並與API互動。

---

？入門

第 1 步：註冊擁抱臉

前往huggingface.co 並建立帳戶（如果您還沒有帳戶）。

步驟 2： 取得您的 API 金鑰

導覽至您的帳戶設定並產生 API 金鑰。此金鑰將允許您的 Spring Boot 應用程式與 Hugging Face 的 Inference API 進行互動。

第 3 步：探索模型

查看擁抱臉部模型中心，找到適合您需求的模型。在本教程中，我們將使用：

• 文字產生模型（例如 HuggingFaceH4/zephyr-7b-beta）。
• 影像產生模型（例如，stabilityai/stable-diffusion-xl-base-1.0）。

---

?? 設定 Spring Boot 項目

步驟1：創(chuàng)建一個新的Spring Boot項目

使用 Spring Initializr 設定具有以下相依性的項目：

• Spring WebFlux：用於反應式、非阻塞 API 呼叫。
• Lombok：減少樣板程式碼。
• Swagger：API 文件。

步驟2：新增擁抱臉配置

將您的 Hugging Face API 金鑰和模型 URL 新增至 application.properties 檔案：

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

？接下來是什麼？

讓我們深入研究程式碼並建立文字和圖像生成服務。請繼續(xù)關注！

1. 文字產生服務：

@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.影像生成服務：

@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"));
                });
    }
}

範例提示及其結果： ?

1. 基於文字的端點：

2. 基於影像的端點：

？探索該項目

準備好潛水了嗎？查看 QuickAI GitHub 儲存庫以查看完整程式碼並繼續(xù)操作。如果您覺得有用，請給它?。

獎金 ？

想要進一步推進這個計畫嗎？

• 我已經為 API 文件配置了 Swagger UI，這將幫助您建立前端應用程式。
• 使用您最喜歡的前端框架（例如 React、Angular 或只是簡單的 HTML/CSS/Vanilla JS）建立一個簡單的前端應用程式。

？恭喜你已經走到這一步了。

現(xiàn)在你知道如何使用擁抱臉了嗎？ ：

1. 在您的應用程式中快速使用 AI 模型。
2. 產生文字：根據提示建立創(chuàng)意內容。
3. 產生圖像：將文字描述轉化為視覺效果。

？讓我們聯(lián)絡吧！

想要合作或有任何建議可以在 LinkedIn 上找到我，Portfolio 也可以在 GitHub 上查看我的其他項目。

有問題或建議，請在下面發(fā)表評論，我很樂意解決。

快樂編碼！ ？

以上是輕鬆整合 AI 模型：建立和評估 AI 模型（Spring Boot 和 Hugging Face）的詳細內容。更多資訊請關注PHP中文網其他相關文章！