实战营第二期——玩转demo

最新推荐文章于 2024-06-02 18:21:33 发布

VertexGeek

最新推荐文章于 2024-06-02 18:21:33 发布

阅读量861

点赞数 19

文章标签：人工智能 ai 语言模型

本文链接：https://blog.csdn.net/2301_77286822/article/details/137198466

版权

1、demo列表：

部署 InternLM2-Chat-1.8B 模型进行智能对话
通过 InternLM2-Chat-7B 运行 Lagent 智能体 Demo
实践部署 浦语·灵笔2 模型

2、部署InternLM2大模型：

2.1、基础环境：

大模型训练需要GPU支持，获取方式还请各位各显神通，我这里以InternStudio为例：

首先，打开 Intern Studio 界面，点击创建开发机配置开发机系统。

填写 开发机名称 后，点击选择镜像使用 Cuda11.7-conda 镜像，然后在资源配置中，根据你的任务所需算力选择A100显卡的大小，然后立即创建开发机器。

进入开发机之后，按照pytorch环境和相关依赖包：

studio-conda -o internlm-base -t demo
# 与 studio-conda 等效的配置方案
# conda create -n demo python==3.10 -y   #创建一个名为demo的python版本为3.10的虚拟环境
# conda activate demo    # 激活demo环境
# conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia  #安装pytorch和CUDA依赖

这里需要较长时间，安装过程中可以先去干点其他有意思的事情

2000 years later

当出现： ALL DONE！就代表基础环境的配置完成，可以进行下一步安装python依赖包了。

首先，确认进入demo环境：

conda activate base

下载以下依赖：

pip install huggingface-hub==0.17.3
pip install transformers==4.34 
pip install psutil==5.9.8
pip install accelerate==0.24.1
pip install streamlit==1.32.2 
pip install matplotlib==3.8.3 
pip install modelscope==1.9.5
pip install sentencepiece==0.1.99

这些包是用于不同目的的 Python 库：

1. huggingface-hub==0.17.3:
- 这是 Hugging Face 提供的库，用于访问和分享自然语言处理 (NLP) 模型、数据集和其他资源。它提供了一个中心化的平台，让用户能够轻松地访问各种预训练的 NLP 模型和相关资源。

2. transformers==4.34:
- 这是 Hugging Face 提供的另一个库，用于自然语言处理任务的预训练模型。它提供了一个简单的 API，可以轻松地加载、使用和微调各种预训练的模型，如BERT、GPT等。

3. psutil==5.9.8:
- Psutil 是一个跨平台的 Python 库，用于检索有关运行中进程和系统利用情况的信息。它允许您轻松地检索诸如 CPU、内存、磁盘、网络等系统资源的使用情况。

4. accelerate==0.24.1:
- Accelerate 是 Hugging Face 提供的一个库，旨在加速深度学习模型的训练和推理。它利用了深度学习框架（如 PyTorch、TensorFlow）的内部加速功能，以提高模型的性能。

5. streamlit==1.32.2:
- Streamlit 是一个用于构建数据科学和机器学习应用的 Python 库。它提供了一个简单的界面，让用户能够轻松地创建交互式的 Web 应用，无需编写复杂的前端代码。

6. matplotlib==3.8.3:
- Matplotlib 是 Python 中用于绘制图表和可视化数据的流行库。它提供了各种绘图选项，可以用于创建各种类型的图表，包括折线图、散点图、直方图等。

7. modelscope==1.9.5:
- Modelscope 是一个用于分析深度学习模型的库。它提供了各种工具和技术，用于评估模型的性能、可解释性和其他方面，并帮助用户更好地理解和优化其模型。

8. sentencepiece==0.1.99:
- Sentencepiece 是一个用于自然语言处理的库，主要用于文本分词和标记化。它支持多种语言，并提供了一种称为 BPE（字节对编码）的分词算法，可用于训练自定义分词模型。在 NLP 中，它通常与模型训练和推理一起使用，用于处理文本数据。

2.2下载模型：

mkdir -p /root/demo  #创建一个在root目录下的demo文件夹
touch /root/demo/cli_demo.py  #在demo文件夹下创建一个cli_demo.py的py文件
touch /root/demo/download_mini.py #同样用做创建download_mini.py文件
cd /root/demo   #进入root目录下的demo目录

在download_mini.py文件下加入这段代码（这样下载的是1.8b大小的模型，可以根据自己的需求修改）

import os
from modelscope.hub.snapshot_download import snapshot_download

# 创建保存模型目录
os.system("mkdir /root/models")

# save_dir是模型保存到本地的目录
save_dir="/root/models"

snapshot_download("Shanghai_AI_Laboratory/internlm2-chat-1_8b", 
                  cache_dir=save_dir, 
                  revision='v1.1.0')

在Huggingface上下载：

将代码替换为：

pip install -U huggingface_hub  #使用 Hugging Face 官方提供的 huggingface-cli 命令行工具

import os
# 下载模型
os.system('huggingface-cli download --resume-download internlm/internlm2-chat-7b --local-dir your_path')
# 下载模型中的部分文件hf_hub_download(repo_id="internlm/internlm27b",filename="config.json")

# resume-download：断点续下
# local-dir：本地存储路径。

下载部分文件示例：

执行命令，下载模型参数文件：

python /root/demo/download_mini.py

打开cli_demo.py，把以下代码写入：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM


model_name_or_path = "/root/models/Shanghai_AI_Laboratory/internlm2-chat-1_8b"

tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=True, device_map='cuda:0')
model = AutoModelForCausalLM.from_pretrained(model_name_or_path, trust_remote_code=True, torch_dtype=torch.bfloat16, device_map='cuda:0')
model = model.eval()

system_prompt = """You are an AI assistant whose name is InternLM (书生·浦语).
- InternLM (书生·浦语) is a conversational language model that is developed by Shanghai AI Laboratory (上海人工智能实验室). It is designed to be helpful, honest, and harmless.
- InternLM (书生·浦语) can understand and communicate fluently in the language chosen by the user such as English and 中文.
"""

messages = [(system_prompt, '')]

print("=============Welcome to InternLM chatbot, type 'exit' to exit.=============")

while True:
    input_text = input("\nUser  >>> ")
    input_text = input_text.replace(' ', '')
    if input_text == "exit":
        break

    length = 0
    for response, _ in model.stream_chat(tokenizer, input_text, messages):
        if response is not None:
            print(response[length:], flush=True, end="")
            length = len(response)

2.3运行demo:

python /root/demo/cli_demo.py

当出现User>>>时，就可以和大模型对话了！

对话完成输入：exit ,即可退出对话。

大家也可以参考第一期优秀的实战营项目，具体模型链接如下：

八戒-Chat-1.8B：魔搭社区
Chat-嬛嬛-1.8B：OpenXLab浦源 - 模型中心
Mini-Horo-巧耳：OpenXLab浦源 - 模型中心

调用方法和上面大同小异，这里就不进行过多论述了。

3、使用 `Lagent` 运行 `InternLM2-Chat-7B` 模型：

配置环境过程和上面一样，这里不多做废话。

3.1、Lagent介绍：

Lagent 是一个轻量级、开源的基于大语言模型的智能体（agent）框架，支持用户快速地将一个大语言模型转变为多种类型的智能体，并提供了一些典型工具为大语言模型赋能。它的整个框架图如下:

Lagent 的特性总结如下：

流式输出：提供 stream_chat 接口作流式输出，本地就能演示酷炫的流式 Demo。
接口统一，设计全面升级，提升拓展性，包括：
- Model : 不论是 OpenAI API, Transformers 还是推理加速框架 LMDeploy 一网打尽，模型切换可以游刃有余；
- Action: 简单的继承和装饰，即可打造自己个人的工具集，不论 InternLM 还是 GPT 均可适配；
- Agent：与 Model 的输入接口保持一致，模型到智能体的蜕变只需一步，便捷各种 agent 的探索实现；
文档全面升级，API 文档全覆盖。

3.2、代码准备：

进入demo环境下的demo目录：

conda activate demo
cd /root/demo

拉取Lagent代码：

git clone https://gitee.com/internlm/lagent.git  #网络不好走gitee
# git clone https://github.com/internlm/lagent.git #网络好走GitHub
cd /root/demo/lagent
git checkout 581d9fb8987a5d9b72bb9ebd37a95efd47d479ac  # 拉取指定的Lagent版本
pip install -e . # 源码安装

获取InternLM2模型，可以从多种渠道下载，我这里通过已有模型文件的软链接完成模型的拉取：

cd /root/demo/lagent #进入lagent目录下

# 使用ln命令，-s创建的是软链接，把/root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b目录下的文件，链接到/root/models/internlm2-chat-7b目录下
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b /root/models/internlm2-chat-7b

打开 lagent 路径下 examples/internlm2_agent_web_demo_hf.py 文件，并修改base模型位置 (71行左右) 代码：

 # 其他代码...
value='/root/models/internlm2-chat-7b'
# 其他代码...

3.3、代码运行：

1、建议本机和远程主机的ssh链接：

在电脑中打开passshell,输入以下命令：

# 从本地使用 ssh 连接 studio 端口
# 将下方端口号 38374 替换成自己的端口号
ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 38374

当终端呈现以下情况，代表链接成功：

完成链接之后，在Studio中执行以下代码：

streamlit run /root/demo/lagent/examples/internlm2_agent_web_demo_hf.py --server.address 127.0.0.1 --server.port 6006

streamlit run 命令用于运行 Streamlit 应用程序。
/root/demo/lagent/examples/internlm2_agent_web_demo_hf.py 是要运行的 Python 脚本的路径。
--server.address 127.0.0.1 选项指定应用程序将在本地计算机上运行。
--server.port 6006 选项指定应用程序将在端口 6006 上运行。

温馨提示：记得打开数据分析功能，不然大模型的数学能力，实在是难以表达。

4、实践部署 `浦语·灵笔2` 模型：

4.1、浦语·灵笔的强大：

废话不说直接上图：

4.2、基础环境配置：

和上面chat demo部署相比，需要多安装下面几个依赖包：

pip install timm==0.4.12 sentencepiece==0.1.99 markdown2==2.4.10 xlsxwriter==3.1.2 gradio==4.13.0 modelscope==1.9.5

4.3、代码准备：

1、从第三方托管平台拉取执行代码：

cd /root/demo
git clone https://gitee.com/internlm/InternLM-XComposer.git
# git clone https://github.com/internlm/InternLM-XComposer.git
cd /root/demo/InternLM-XComposer
git checkout f31220eddca2cf6246ee2ddf8e375a40457ff626 #检查版本

2、拉取模型：

# 拉取Xcomposer2模型
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-7b /root/models/internlm-xcomposer2-7b
# V1版本的模型可以理解图片
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-vl-7b /root/models/internlm-xcomposer2-vl-7b

4.4、运行：

同样需要和Lagent demo一致，先建立远程ssh链接，之后运行以下代码：

Xcomposer:

python /root/demo/InternLM-XComposer/examples/gradio_demo_composition.py  \
--code_path /root/models/internlm-xcomposer2-7b \
--private \
--num_gpus 1 \
--port 6006

效果如下：

V1版：

python /root/demo/InternLM-XComposer/examples/gradio_demo_chat.py  \
--code_path /root/models/internlm-xcomposer2-vl-7b \
--private \
--num_gpus 1 \
--port 6006

效果如下：

VertexGeek

关注

19
点赞
踩
18

收藏

觉得还不错? 一键收藏
1
评论
实战营第二期——玩转demo

Lagent 是一个轻量级、开源的基于大语言模型的智能体（agent）框架，支持用户快速地将一个大语言模型转变为多种类型的智能体，并提供了一些典型工具为大语言模型赋能。它的整个框架图如下:流式输出：提供 stream_chat 接口作流式输出，本地就能演示酷炫的流式 Demo。接口统一，设计全面升级，提升拓展性，包括：Model : 不论是 OpenAI API, Transformers 还是推理加速框架 LMDeploy 一网打尽，模型切换可以游刃有余；
复制链接

扫一扫