管理你的空間

本指南將介紹如何使用 huggingface_hub 管理你的 Space 執行時（金鑰、硬體和儲存）。

一個簡單示例：配置金鑰和硬體。

這是一個在 Hub 上建立和設定 Space 的端到端示例。

1. 在 Hub 上建立一個 Space。

>>> from huggingface_hub import HfApi
>>> repo_id = "Wauplin/my-cool-training-space"
>>> api = HfApi()

# For example with a Gradio SDK
>>> api.create_repo(repo_id=repo_id, repo_type="space", space_sdk="gradio")

1. (續) 複製一個 Space。

如果你想從現有 Space 的基礎上構建，而不是從頭開始，這會很有用。如果你想控制公共 Space 的配置/設定，這也會很有用。有關更多詳細資訊，請參閱 duplicate_space()。

>>> api.duplicate_space("multimodalart/dreambooth-training")

2. 使用你偏好的解決方案上傳你的程式碼。

這是一個將本地資料夾 src/ 從你的機器上傳到你的 Space 的示例

>>> api.upload_folder(repo_id=repo_id, repo_type="space", folder_path="src/")

在此步驟中，你的應用程式應該已經在 Hub 上免費運行了！但是，你可能希望使用金鑰和升級的硬體進一步配置它。

3. 配置金鑰和變數

你的 Space 可能需要一些金鑰、令牌或變數才能工作。有關更多詳細資訊，請參閱文件。例如，一個 HF 令牌，用於在你的 Space 生成影像資料集後將其上傳到 Hub。

>>> api.add_space_secret(repo_id=repo_id, key="HF_TOKEN", value="hf_api_***")
>>> api.add_space_variable(repo_id=repo_id, key="MODEL_REPO_ID", value="user/repo")

金鑰和變數也可以刪除

>>> api.delete_space_secret(repo_id=repo_id, key="HF_TOKEN")
>>> api.delete_space_variable(repo_id=repo_id, key="MODEL_REPO_ID")

在你的 Space 中，金鑰作為環境變數（如果使用 Streamlit，則為 Streamlit 金鑰管理）可用。無需透過 API 獲取它們！

你的 Space 配置（金鑰或硬體）的任何更改都將觸發你的應用程式重啟。

額外提示：在建立或複製 Space 時設定金鑰和變數！

在建立或複製 Space 時可以設定金鑰和變數

>>> api.create_repo(
...     repo_id=repo_id,
...     repo_type="space",
...     space_sdk="gradio",
...     space_secrets=[{"key"="HF_TOKEN", "value"="hf_api_***"}, ...],
...     space_variables=[{"key"="MODEL_REPO_ID", "value"="user/repo"}, ...],
... )

>>> api.duplicate_space(
...     from_id=repo_id,
...     secrets=[{"key"="HF_TOKEN", "value"="hf_api_***"}, ...],
...     variables=[{"key"="MODEL_REPO_ID", "value"="user/repo"}, ...],
... )

4. 配置硬體

預設情況下，你的 Space 將在免費的 CPU 環境中執行。你可以升級硬體以在 GPU 上執行它。訪問升級你的 Space 需要支付卡或社群資助。有關更多詳細資訊，請參閱文件。

# Use `SpaceHardware` enum
>>> from huggingface_hub import SpaceHardware
>>> api.request_space_hardware(repo_id=repo_id, hardware=SpaceHardware.T4_MEDIUM)

# Or simply pass a string value
>>> api.request_space_hardware(repo_id=repo_id, hardware="t4-medium")

硬體更新不會立即完成，因為你的 Space 必須在我們的伺服器上重新載入。你可以隨時檢查你的 Space 正在執行的硬體，以檢視你的請求是否已滿足。

>>> runtime = api.get_space_runtime(repo_id=repo_id)
>>> runtime.stage
"RUNNING_BUILDING"
>>> runtime.hardware
"cpu-basic"
>>> runtime.requested_hardware
"t4-medium"

你現在擁有一個完全配置好的 Space。請確保在使用完畢後將你的 Space 降級回“cpu-classic”。

額外提示：在建立或複製 Space 時請求硬體！

升級後的硬體將在你的 Space 構建完成後自動分配。

>>> api.create_repo(
...     repo_id=repo_id,
...     repo_type="space",
...     space_sdk="gradio"
...     space_hardware="cpu-upgrade",
...     space_storage="small",
...     space_sleep_time="7200", # 2 hours in secs
... )

>>> api.duplicate_space(
...     from_id=repo_id,
...     hardware="cpu-upgrade",
...     storage="small",
...     sleep_time="7200", # 2 hours in secs
... )

5. 暫停和重啟你的 Space

預設情況下，如果你的 Space 正在升級後的硬體上執行，它將永遠不會停止。但是為了避免產生費用，你可能希望在你不用時暫停它。這可以透過 pause_space() 實現。暫停的 Space 將處於非活動狀態，直到 Space 的所有者透過 UI 或使用 restart_space() 透過 API 重新啟動它。有關暫停模式的更多詳細資訊，請參閱此部分

# Pause your Space to avoid getting billed
>>> api.pause_space(repo_id=repo_id)
# (...)
# Restart it when you need it
>>> api.restart_space(repo_id=repo_id)

另一種可能性是為你的 Space 設定超時。如果你的 Space 在超時持續時間後仍處於非活動狀態，它將進入休眠狀態。任何訪問你 Space 的訪問者都將重新啟動它。你可以使用 set_space_sleep_time() 設定超時。有關休眠模式的更多詳細資訊，請參閱此部分。

# Put your Space to sleep after 1h of inactivity
>>> api.set_space_sleep_time(repo_id=repo_id, sleep_time=3600)

注意：如果你使用的是“cpu-basic”硬體，則無法配置自定義休眠時間。你的 Space 將在不活動 48 小時後自動暫停。

額外提示：在請求硬體時設定休眠時間

升級後的硬體將在你的 Space 構建完成後自動分配。

>>> api.request_space_hardware(repo_id=repo_id, hardware=SpaceHardware.T4_MEDIUM, sleep_time=3600)

額外提示：在建立或複製 Space 時設定休眠時間！

>>> api.create_repo(
...     repo_id=repo_id,
...     repo_type="space",
...     space_sdk="gradio"
...     space_hardware="t4-medium",
...     space_sleep_time="3600",
... )

>>> api.duplicate_space(
...     from_id=repo_id,
...     hardware="t4-medium",
...     sleep_time="3600",
... )

6. 為你的 Space 新增持久化儲存

你可以選擇你選擇的儲存層來訪問在你的 Space 重啟後仍能持久存在的磁碟空間。這意味著你可以像使用傳統硬碟一樣從磁碟讀寫。有關更多詳細資訊，請參閱文件。

>>> from huggingface_hub import SpaceStorage
>>> api.request_space_storage(repo_id=repo_id, storage=SpaceStorage.LARGE)

你也可以刪除儲存，從而永久丟失所有資料。

>>> api.delete_space_storage(repo_id=repo_id)

注意：一旦你的空間儲存層被授予，你將無法降低它。要降低儲存層，你必須先刪除現有儲存，然後請求新的所需層。

額外提示：在建立或複製 Space 時請求儲存！

>>> api.create_repo(
...     repo_id=repo_id,
...     repo_type="space",
...     space_sdk="gradio"
...     space_storage="large",
... )

>>> api.duplicate_space(
...     from_id=repo_id,
...     storage="large",
... )

更高階：臨時升級你的 Space！

Spaces 支援許多不同的用例。有時，你可能希望暫時在特定硬體上執行一個 Space，做一些事情然後將其關閉。在本節中，我們將探討如何利用 Spaces 按需微調模型。這只是解決這個特定問題的一種方法。它應被視為一種建議，並根據你的用例進行調整。

假設我們有一個用於微調模型的 Space。它是一個 Gradio 應用程式，輸入是模型 ID 和資料集 ID。工作流程如下：

（提示使用者輸入模型和資料集）
從 Hub 載入模型。
從 Hub 載入資料集。
在資料集上微調模型。
將新模型上傳到 Hub。

步驟 3 需要自定義硬體，但你不希望你的 Space 始終在付費 GPU 上執行。一種解決方案是在訓練期間動態請求硬體，然後在訓練結束後關閉它。由於請求硬體會重新啟動你的 Space，你的應用程式必須以某種方式“記住”當前正在執行的任務。有多種方法可以做到這一點。在本指南中，我們將介紹一種使用資料集作為“任務排程器”的解決方案。

應用骨架

你的應用程式將看起來像這樣。在啟動時，檢查是否有計劃任務，如果存在，則在正確的硬體上執行它。完成後，將硬體設定回免費 CPU，並提示使用者進行新任務。

這樣的工作流不像普通演示那樣支援併發訪問。特別是，在訓練期間，介面將被停用。建議將你的倉庫設定為私有，以確保你是唯一的使用者。

# Space will need your token to request hardware: set it as a Secret !
HF_TOKEN = os.environ.get("HF_TOKEN")

# Space own repo_id
TRAINING_SPACE_ID = "Wauplin/dreambooth-training"

from huggingface_hub import HfApi, SpaceHardware
api = HfApi(token=HF_TOKEN)

# On Space startup, check if a task is scheduled. If yes, finetune the model. If not,
# display an interface to request a new task.
task = get_task()
if task is None:
    # Start Gradio app
    def gradio_fn(task):
        # On user request, add task and request hardware
        add_task(task)
        api.request_space_hardware(repo_id=TRAINING_SPACE_ID, hardware=SpaceHardware.T4_MEDIUM)

    gr.Interface(fn=gradio_fn, ...).launch()
else:
    runtime = api.get_space_runtime(repo_id=TRAINING_SPACE_ID)
    # Check if Space is loaded with a GPU.
    if runtime.hardware == SpaceHardware.T4_MEDIUM:
        # If yes, finetune base model on dataset !
        train_and_upload(task)

        # Then, mark the task as "DONE"
        mark_as_done(task)

        # DO NOT FORGET: set back CPU hardware
        api.request_space_hardware(repo_id=TRAINING_SPACE_ID, hardware=SpaceHardware.CPU_BASIC)
    else:
        api.request_space_hardware(repo_id=TRAINING_SPACE_ID, hardware=SpaceHardware.T4_MEDIUM)

任務排程器

任務排程可以透過多種方式完成。這是一個示例，說明如何使用儲存為資料集的簡單 CSV 檔案來完成。

# Dataset ID in which a `tasks.csv` file contains the tasks to perform.
# Here is a basic example for `tasks.csv` containing inputs (base model and dataset)
# and status (PENDING or DONE).
#     multimodalart/sd-fine-tunable,Wauplin/concept-1,DONE
#     multimodalart/sd-fine-tunable,Wauplin/concept-2,PENDING
TASK_DATASET_ID = "Wauplin/dreambooth-task-scheduler"

def _get_csv_file():
    return hf_hub_download(repo_id=TASK_DATASET_ID, filename="tasks.csv", repo_type="dataset", token=HF_TOKEN)

def get_task():
    with open(_get_csv_file()) as csv_file:
        csv_reader = csv.reader(csv_file, delimiter=',')
        for row in csv_reader:
            if row[2] == "PENDING":
                return row[0], row[1] # model_id, dataset_id

def add_task(task):
    model_id, dataset_id = task
    with open(_get_csv_file()) as csv_file:
        with open(csv_file, "r") as f:
            tasks = f.read()

    api.upload_file(
        repo_id=repo_id,
        repo_type=repo_type,
        path_in_repo="tasks.csv",
        # Quick and dirty way to add a task
        path_or_fileobj=(tasks + f"\n{model_id},{dataset_id},PENDING").encode()
    )

def mark_as_done(task):
    model_id, dataset_id = task
    with open(_get_csv_file()) as csv_file:
        with open(csv_file, "r") as f:
            tasks = f.read()

    api.upload_file(
        repo_id=repo_id,
        repo_type=repo_type,
        path_in_repo="tasks.csv",
        # Quick and dirty way to set the task as DONE
        path_or_fileobj=tasks.replace(
            f"{model_id},{dataset_id},PENDING",
            f"{model_id},{dataset_id},DONE"
        ).encode()
    )

< > 在 GitHub 上更新

Hub Python 庫

管理你的空間

一個簡單示例：配置金鑰和硬體。

更高階：臨時升級你的 Space！

應用骨架

任務排程器