Support loading HF repos with hf: stubs

[mgoin]

Adds the capability to download models straight from HF repos if the stub is prepended with hf:.
If you want to use this model https://huggingface.co/mgoin/TinyStories-1M-deepsparse, then passing in model_path="hf:mgoin/TinyStories-1M-deepsparse" will suffice

import deepsparse
pipe = deepsparse.Pipeline.create(task="text-generation", model_path="hf:mgoin/TinyStories-1M-deepsparse")
pipe(sequences="hello")

Output:

>>> import deepsparse
>>> pipe = deepsparse.Pipeline.create(task="text-generation", model_path="hf:mgoin/TinyStories-1M-deepsparse")
2023-09-20 14:10:19 deepsparse.transformers WARNING  The neuralmagic fork of transformers may not be installed. It can be installed via `pip install nm_transformers`
2023-09-20 14:10:20.061685: W tensorflow/stream_executor/platform/default/dso_loader.cc:60] Could not load dynamic library 'libcudart.so.11.0'; dlerror: libcudart.so.11.0: cannot open shared object file: No such file or directory; LD_LIBRARY_PATH: /home/mgoin/code/nyann/external/onnx-runtime/build/Linux/RelWithDebInfo:/home/mgoin/code/nyann/external/onnx-runtime/build/Linux/RelWithDebInfo:::
2023-09-20 14:10:20.061710: I tensorflow/stream_executor/cuda/cudart_stub.cc:29] Ignore above cudart dlerror if you do not have a GPU set up on your machine.
Downloading (…)50ea1/.gitattributes: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1.52k/1.52k [00:00<00:00, 93.5kB/s]
Downloading (…)e1050ea1/config.json: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1.02k/1.02k [00:00<00:00, 70.5kB/s]
Downloading (…)neration_config.json: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 119/119 [00:00<00:00, 7.86kB/s]
Downloading (…)cial_tokens_map.json: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 438/438 [00:00<00:00, 37.4kB/s]
Downloading (…)okenizer_config.json: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 727/727 [00:00<00:00, 64.9kB/s]
Downloading (…)9e1050ea1/merges.txt: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 456k/456k [00:00<00:00, 2.87MB/s]
Downloading (…)9e1050ea1/vocab.json: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 798k/798k [00:00<00:00, 3.25MB/s]
Downloading (…)50ea1/tokenizer.json: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2.11M/2.11M [00:00<00:00, 3.65MB/s]
Downloading model.onnx: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 28.0M/28.0M [00:05<00:00, 5.47MB/s]
Fetching 9 files: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 9/9 [00:05<00:00,  1.56it/s]
Using pad_token, but it is not set yet.█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 28.0M/28.0M [00:05<00:00, 5.65MB/s]
2023-09-20 14:10:27 deepsparse.transformers.pipelines.text_generation INFO     Compiling an auxiliary engine to process a prompt with a larger processing length. This improves performance, but may result in additional memory consumption.
2023-09-20 14:10:27 deepsparse.utils.onnx INFO     Overwriting in-place the input shapes of the transformer model at /home/mgoin/.cache/huggingface/hub/models--mgoin--TinyStories-1M-deepsparse/snapshots/62256599e36d99faefb58461e0030e19e1050ea1/model.onnx
DeepSparse, Copyright 2021-present / Neuralmagic, Inc. version: 1.6.0 COMMUNITY | (4e69fdec) (optimized) (system=avx512, binary=avx512)
2023-09-20 14:10:29 deepsparse.utils.onnx INFO     Overwriting in-place the input shapes of the transformer model at /home/mgoin/.cache/huggingface/hub/models--mgoin--TinyStories-1M-deepsparse/snapshots/62256599e36d99faefb58461e0030e19e1050ea1/model.onnx
>>> pipe(sequences="hello").generations[0].text
'.\n\nThe little girl was so excited that she couldn\'t wait to tell her mommy. She asked her mommy if she could go on the beach. Her mommy said yes, but she was too busy to go.\n\nThe little girl was so excited to go on the beach. She ran to the beach and saw a big wave. She was so excited to see the wave. She ran to the shore and said, "Look, Mommy! I\'m going to go!"\n\nHer mommy smiled and said, "Yes, you can go on the beach!"\n\nThe little girl was so happy. She ran to the beach and played with her friends. She was so happy to have her friends and they all played together.\n'