LWM(LargeWorldModel)大世界模型-可文字可图片可视频-多模态LargeWorld-详细安装记录

说明

Large World Model（LWM）是一个通用的大环境多模态自回归模型，它利用了一个技术名为RingAttention，通过在大型的多样化视频和图书数据集上的训练，实现了对语言、图像和视频的理解与生成能力。
在github上已有4.2k star!

• github主页：https://largeworldmodel.github.io/
• 代码仓库：https://github.com/LargeWorldModel/LWM
• huggingface：https://huggingface.co/LargeWorldModel

功能概述

LWM主要解决的问题是，当前的语言模型在理解那些难以用言语描述的世界方面存在短板，并且在处理复杂、长篇任务时表现不佳。视频序列提供了语言和静态图像中缺失的宝贵时间信息，这对于与语言的联合建模而言十分有吸引力。这些模型可以发展对人类文本知识和物理世界的理解，为人类提供更广泛的AI能力。但是，从数百万个视频和语言序列的标记中学习面临着内存限制、计算复杂性和数据集有限等挑战。为了解决这些挑战，LWM整合了大量多样化视频和图书的数据集，使用RingAttention技术在长序列上可扩展地训练，并逐步将环境大小从4K增加到1M标记。

应用场景

LWM可以在以下情况下使用：

• 知识检索与回答问题：LWM能够在1M的环境中准确地检索事实，这使其能够回答基于覆盖范围极广数据的复杂问题，例如，在长达一小时的YouTube视频中找到特定信息。
• 与图像的对话：LWM不仅能够理解和生成语言，还可以与图像“对话”。这意味着它可以理解图像内容，并根据图像内容生成文本回应。
• 从文本生成视频和图像：LWM能够将文本描述转换成图像或视频，这在内容创作、游戏开发和其他需要将文本想法可视化的领域具有巨大应用潜力。

安装步骤

• 先创建虚拟环境：

conda create -n lwm python=3.10
conda activate lwm

• 安装pytorch和cudnn

conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia

• 如果上步骤没有安装起cudnn，可以按以下方式手动安装cudnn
  在nvidia下载对应的cudnn压缩包文件：https://developer.download.nvidia.com/compute/cudnn/redist/cudnn/linux-x86_64/
  这里下载的是：https://developer.download.nvidia.com/compute/cudnn/redist/cudnn/linux-x86_64/cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz
  上传到服务器，解压，安装：

tar -xvf  cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz

sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include 
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64 
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

安装完成后，可进入python环境，查看各版本：

import torch
# pytorch版本
torch.__version__
# cuda版本
torch.version.cuda
# cudnn版本
torch.backends.cudnn.version()

• 安装jax0.4.23版本
  直接执行安装：

pip install -U "jax[cuda12_pip]==0.4.23"

如果后续运行报错，尝试使用whl文件安装：
在网站https://storage.googleapis.com/jax-releases/jax_cuda_releases.html下载对应jax版本的whl：https://storage.googleapis.com/jax-releases/cuda12/jaxlib-0.4.23+cuda12.cudnn89-cp310-cp310-manylinux2014_x86_64.whl
然后上传服务器，安装：

pip install jaxlib-0.4.23+cuda12.cudnn89-cp310-cp310-manylinux2014_x86_64.whl

• 安装项目依赖
  下载项目源码，进入项目目录，安装依赖：

pip install -r requirements.txt

• 下载模型
  从https://huggingface.co/LargeWorldModel/LWM-Chat-32K-Jax/tree/main下载模型，放到服务器上
  也可使用huggingface镜像站点直接下载，运行python代码：

import os
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
os.system('huggingface-cli download --resume-download LargeWorldModel/LWM-Chat-32K-Jax --local-dir ~/software/lwm-model')

项目运行

修改scripts/run_vision_chat.sh中的模型路径，将自己的输入视频传入：

export llama_tokenizer_path="/root/software/lwm-model/tokenizer.model"
export vqgan_checkpoint="/root/software/lwm-model/vqgan"
export lwm_checkpoint="/root/software/lwm-model/params"
export input_file="/root/software/seasons_of_china.mp4"

然后“–mesh_dim=‘!1,-1,32,1’”这句要删除
然后运行：bash run_vision_chat.sh
然后报错：

GPU不足，看到issue上有说到这个配置：

暂无对应设备，作罢！