WebGPT VS WebGPU
推荐：使用 NSDT编辑器 快速搭建3D应用场景
随着WebGPU的引入，Web开发发生了有趣的转变，WebGPU是一种新的API，允许Web应用程序直接访问设备的图形处理单元（GPU）。这种发展意义重大，因为 GPU 擅长复杂的计算。
一个说明WebGPU潜力的项目是WebGPT。这是一个用JavaScript和HTML编写的简单应用程序，旨在展示WebGPU API的功能。
在这篇文章中，我们将讨论为什么 WebGPT 很重要以及如何在本地和浏览器中实现它。我们走吧！
跳跃前进：
- 什么是 WebGPT 和 WebGPU？
- 实现 WebGPT
- 在浏览器中运行 WebGPT
- 在本地运行 WebGPT
- 使用自定义 WebGPT 模型
- WebGPT 的挑战和局限性
- GPT 和其他变压器模型的未来
什么是 WebGPT 和 WebGPU？
在我们深入研究 WebGPT 的实际实现之前，让我们简要介绍一下它在幕后是如何工作的。
WebGPT 是转换器模型的 JavaScript 和 HTML 实现，转换器模型是一种特定的机器学习模型，旨在有效地处理序列数据。在自然语言处理 （NLP） 中，序列数据通常是指文本，其中单词和字符的顺序对其含义至关重要;序列的各个部分与整体一样重要。
转换器模型是擅长处理 NLP 序列数据的机器学习模型。这些模型构成了许多最先进的自然语言处理模型的基础，包括GPT（生成预训练转换器）。
WebGPT 的转换器模型旨在与 WebGPU 配合使用，WebGPU 是一个允许 Web 应用程序访问和使用设备GPU 的 API。GPU 特别擅长执行机器学习模型所需的并行计算类型，使其成为 WebGPT 的强大资源。
在WebGPU之前，应用程序必须主要依赖于设备的中央处理器（CPU）或较旧的，效率较低的API，如WebGL。相比之下，WebGPT 使用明确设计的转换器模型，以使用 WebGPU API 在浏览器中运行。
当 WebGPT 接收到输入时，它使用其转换器模型来处理数据。借助WebGPU API，它可以在用户设备上本地执行计算。然后，结果直接在浏览器中返回，从而实现快速高效的执行。
将如此强大的机器学习模型引入浏览器对 Web 开发具有深远的影响，包括：
- 实时数据处理：当可以在客户端完成计算时，有可能以最小的延迟进行实时数据处理。这可以改变一系列应用程序的用户体验，从交互式工具和游戏到实时分析。
- 增强的隐私：由于数据处理在用户设备上本地进行，因此无需将潜在的敏感数据发送到服务器。对于处理个人或敏感数据的应用程序来说，这可能会改变游戏规则，从而增强用户的信任和隐私。
- 成本效益：公司可以通过将计算负载从服务器转移到客户端来节省服务器成本。这可以使小型公司或个人开发人员可以使用高级机器学习功能。
实现 WebGPT
WebGPT被设计为易于使用：它只需要一组HTML和JavaScript文件即可运行。但是，由于WebGPU是一项相当新的技术，因此您需要与WebGPU兼容的浏览器。
截至 2023 年 113 月，Chrome v<> 支持 WebGPU。另一种方法是安装 Chrome Canary 或 Edge Canary 以确保兼容性。
在浏览器中运行 WebGPT
您可以直接在其演示网站上试用 WebGPT，网址为 https://www.kmeans.org。远程加载模型权重可能比在本地加载模型权重慢，因此为了获得响应速度更快的体验，建议尽可能在本地运行 WebGPT。
在本地运行 WebGPT
若要在本地运行 WebGPT，请执行以下步骤：
- 克隆 WebGPT 存储库：您可以通过在终端中运行以下命令来克隆存储库：git clone https://github.com/0hq/WebGPT.git
- 安装 Git LFS：克隆存储库后，需要使用 Git LFS 下载模型文件，Git LFS 是一个 Git 扩展，允许您在 Git 存储库中存储大文件。在本地计算机上安装 Git LFS，然后导航到终端中的 WebGPT 目录并运行：git lfs install
- 下载模型文件：之后，运行以下命令下载模型文件：git lfs pull
- 在本地服务器上启动 WebGPT 文件：您可以使用简单的 HTTP 服务器或像 Live Server for Visual Studio Code 这样的工具。
- 在浏览器中打开 WebGPT 页面：导航到运行 WebGPT 的本地服务器的 URL。您应该会看到如下所示的页面：
我们的网络GPT页面
单击任意“加载模型”按钮以加载模型权重。之后，您可以在输入框中输入文本，然后单击 生成 根据输入生成文本。
我们的 WebGPT 演示在实际应用
使用自定义 WebGPT 模型
WebGPT 有两个内置模型：一个小型 GPT-莎士比亚模型和具有 2.117 亿个参数的 GPT-<>。如果要使用自定义模型，请检查存储库中的脚本目录，以将 PyTorch 模型转换为 WebGPT 可以使用的格式。other/conversion_scripts
以下是我们的目录：
我们的转换脚本目录
WebGPU 的挑战和局限性
由于 WebGPT 建立在 WebGPU 之上，因此了解 WebGPU 的挑战和局限性非常重要。虽然WebGPU是一项有前途的技术，但它仍然是一个相对较新的API，因此它有一些挑战需要克服。其中一些包括：
- 缺乏浏览器支持：并非所有浏览器目前都支持 WebGPU，即使是那些支持 WebGPU 的浏览器也可能没有完全支持。这可能会使开发和部署 WebGPU 应用程序变得困难，更不用说部署它们供公众使用了。
- 复杂性：WebGPU 是一个复杂的 API，可能很难学习和使用。对于不熟悉低级图形 API 的开发人员来说，这可能是一个进入障碍
- 性能：在某些情况下，WebGPU可能比WebGL慢，尤其是在较旧的硬件上。这是因为 WebGPU 是一个更低级别的 API，可能需要更多时间来编译着色器和设置图形管道
随着API的成熟和越来越多的浏览器支持它，我们可以期待看到这些挑战得到解决。与此同时，像WebGPT这样的工具可以帮助实验和采用WebGPU。
GPT 和其他变压器模型的未来
GPT 和类似模型由于其高计算需求而主要在服务器上运行;但是，WebGPT 表明这些模型可以直接在浏览器中运行，提供的性能可能与基于服务器的设置相媲美。
借助 WebGPU 等技术和 WebGPT 等项目提供的功能，我们可以将 GPT 等转换器模型的使用扩展相当多。随着技术的成熟和优化的改进，我们可以看到更大的模型在浏览器中流畅运行。
超过 200 万开发人员使用 LogRocket 创造更好的数字体验
了解更多→
这可以提高Web应用程序中高级AI功能的可用性，从更复杂的聊天机器人到强大的实时文本分析和生成工具，甚至加速变压器模型的研究和开发。通过使部署这些模型更容易、更便宜，更多的开发人员和研究人员将有机会试验和改进它们。
结论
通过 WebGPU 将高级机器学习模型引入浏览器为开发人员提供了许多机会，它提出了一个未来的愿景，即 Web 应用程序更强大、响应更快、更注重隐私。
原文链接：WebGPT VS WebGPU (mvrlink.com)