ChatGLM4部署教程

于 2024-08-13 17:26:06 发布
阅读量236 收藏 5
点赞数 4
文章标签： AIGC 人工智能 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/SJJS_1/article/details/141169361
版权

一、介绍

GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。 在语义、数学、推理、代码和知识等多方面的数据集测评中， GLM-4-9B 及其人类偏好对齐的版本 GLM-4-9B-Chat 均表现出超越 Llama-3-8B 的卓越性能。除了能进行多轮对话，GLM-4-9B-Chat 还具备网页浏览、代码执行、自定义工具调用（Function Call）和长文本推理（支持最大 128K 上下文）等高级功能。本代模型增加了多语言支持，支持包括日语，韩语，德语在内的 26 种语言。还推出了支持 1M 上下文长度（约 200 万中文字符）的 GLM-4-9B-Chat-1M模型和基于 GLM-4-9B 的多模态模型 GLM-4V-9B。GLM-4V-9B 具备 1120 * 1120 高分辨率下的中英双语多轮对话能力，在中英文综合能力、感知推理、文字识别、图表理解等多方面多模态评测中，GLM-4V-9B 表现出超越 GPT-4-turbo-2024-04-09、Gemini 1.0 Pro、Qwen-VL-Max 和 Claude 3 Opus 的卓越性能。

GLM-4 开源模型旨在与开源社区一起推动大模型技术发展，恳请开发者和大家遵守 开源协议 ，勿将开源模型和代码及基于开源项目产生的衍生物用于任何可能给国家和社会带来危害的用途以及用于任何未经过安全评估和备案的服务。目前，其项目团队未基于 GLM-4 开源模型开发任何应用，包括网页端、安卓、苹果 iOS 及 Windows App 等应用。

尽管模型在训练的各个阶段都尽力确保数据的合规性和准确性，但由于 GLM-4-9B 模型规模较小，且模型受概率随机性因素影响，无法保证输出内容的准确。同时模型的输出容易被用户的输入误导。

更多详细信息见 Github 仓库。

二、部署过程

基础环境最低要求说明：

环境名称版本信息1版本信息2
Ubuntu22.04.4 LTS
CudaV12.1.105
Python3.10.83.12.4
NVIDIA CorporationRTX 3060 *2RTX 3090

1. 更新基础软件包

查看系统版本信息

# 查看系统版本信息，包括ID（如ubuntu、centos等）、版本号、名称、版本号ID等
cat /etc/os-release

image.png

配置 apt 国内源

# 更新软件包列表
apt-get update

这个命令用于更新本地软件包索引。它会从所有配置的源中检索最新的软件包列表信息，但不会安装或升级任何软件包。这是安装新软件包或进行软件包升级之前的推荐步骤，因为它确保了您获取的是最新版本的软件包。

# 安装 Vim 编辑器
apt-get install -y vim

这个命令用于安装 Vim 文本编辑器。-y 选项表示自动回答所有的提示为“是”，这样在安装过程中就不需要手动确认。Vim 是一个非常强大的文本编辑器，广泛用于编程和配置文件的编辑。

为了安全起见，先备份当前的 sources.list 文件之后，再进行修改：

# 备份现有的软件源列表
cp /etc/apt/sources.list /etc/apt/sources.list.bak

这个命令将当前的 sources.list 文件复制为一个名为 sources.list.bak 的备份文件。这是一个好习惯，因为编辑 sources.list 文件时可能会出错，导致无法安装或更新软件包。有了备份，如果出现问题，您可以轻松地恢复原始的文件。

# 编辑软件源列表文件
vim /etc/apt/sources.list

这个命令使用 Vim 编辑器打开 sources.list 文件，以便您可以编辑它。这个文件包含了 APT（Advanced Package Tool）用于安装和更新软件包的软件源列表。通过编辑这个文件，您可以添加新的软件源、更改现有软件源的优先级或禁用某些软件源。

在 Vim 中，您可以使用方向键来移动光标，i 键进入插入模式（可以开始编辑文本），Esc 键退出插入模式，:wq 命令保存更改并退出 Vim，或 :q! 命令不保存更改并退出 Vim。

编辑 sources.list 文件时，请确保您了解自己在做什么，特别是如果您正在添加新的软件源。错误的源可能会导致软件包安装失败或系统安全问题。如果您不确定，最好先搜索并找到可靠的源信息，或者咨询有经验的 Linux 用户。

image.png

使用 Vim 编辑器打开 sources.list 文件，复制以下代码替换 sources.list里面的全部代码，配置 apt 国内阿里源。

deb http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse

image.png

安装常用软件和工具

# 更新源列表，输入以下命令：
apt-get update

# 更新系统软件包，输入以下命令：
apt-get upgrade

# 安装常用软件和工具，输入以下命令：
apt-get -y install vim wget git git-lfs unzip lsof net-tools gcc cmake build-essential

出现以下页面，说明国内apt源已替换成功，且能正常安装apt软件和工具

image.png

2. 安装 NVIDIA CUDA Toolkit 12.1

  • 下载 CUDA Keyring ：
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb

这个命令用于下载 CUDA 的 GPG 密钥环，它用于验证 CUDA 软件包的签名。这是确保软件包安全性的一个重要步骤。

  • 安装 CUDA Keyring ：
dpkg -i cuda-keyring_1.0-1_all.deb

使用 dpkg 安装下载的密钥环。这是必要的，以便 apt 能够验证从 NVIDIA 仓库下载的软件包的签名。

image.png

  • 删除旧的 apt 密钥（如果必要） ：
apt-key del 7fa2af80

这一步可能不是必需的，除非您知道 7fa2af80 是与 CUDA 相关的旧密钥，并且您想从系统中删除它以避免混淆。通常情况下，如果您只是安装 CUDA 并使用 NVIDIA 提供的最新密钥环，这一步可以跳过。

  • 更新 apt 包列表 ：
apt-get update

更新 apt 的软件包列表，以便包括刚刚通过 cuda-keyring 添加的 NVIDIA 仓库中的软件包。

  • 安装 CUDA Toolkit ：
apt-get -y install cuda-toolkit-12-1

image.png

出现以下页面，说明 NVIDIA CUDA Toolkit 12.1 安装成功

image.png

注意：这里可能有一个问题。NVIDIA 官方 Ubuntu 仓库中可能不包含直接名为 cuda-toolkit-12-1 的包。通常，您会安装一个名为 cuda 或 cuda-12-1 的元包，它会作为依赖项拉入 CUDA Toolkit 的所有组件。请检查 NVIDIA 的官方文档或仓库，以确认正确的包名。

如果您正在寻找安装特定版本的 CUDA Toolkit，您可能需要安装类似 cuda-12-1的包（如果可用），或者从 NVIDIA 的官方网站下载 CUDA Toolkit 的 .run 安装程序进行手动安装。

请确保您查看 NVIDIA 的官方文档或 Ubuntu 的 NVIDIA CUDA 仓库以获取最准确的包名和安装指令。

image.png

  • 出现以上情况，需要配置 NVIDIA CUDA Toolkit 12.1 系统环境变量

编辑 ~/.bashrc 文件

# 编辑 ~/.bashrc 文件
vim ~/.bashrc

插入以下环境变量

# 插入以下环境变量
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

image.png

激活 ~/.bashrc 文件

# 激活 ~/.bashrc 文件
source ~/.bashrc

查看cuda系统环境变量

which nvcc
nvcc -V

image.png

3. 安装 Miniconda

  • 下载 Miniconda 安装脚本 ：
    • 使用 wget 命令从 Anaconda 的官方仓库下载 Miniconda 的安装脚本。Miniconda 是一个更小的 Anaconda 发行版，包含了 Anaconda 的核心组件，用于安装和管理 Python 包。
  • 运行 Miniconda 安装脚本 ：
    • 使用 bash 命令运行下载的 Miniconda 安装脚本。这将启动 Miniconda 的安装过程。
# 下载 Miniconda 安装脚本
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 运行 Miniconda 安装脚本
bash Miniconda3-latest-Linux-x86_64.sh

# 初次安装需要激活 base 环境
source ~/.bashrc

按下回车键（enter）

image.png

输入yes

image.png

输入yes

image.png

安装成功如下图所示

image.png

pip配置清华源加速

# 编辑 /etc/pip.conf 文件
vim  /etc/pip.conf

加入以下代码

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

注意事项：

  • 请确保您的系统是 Linux x86_64 架构，因为下载的 Miniconda 版本是为该架构设计的。
  • 在运行安装脚本之前，您可能需要使用 chmod +x Miniconda3-latest-Linux-x86_64.sh 命令给予脚本执行权限。
  • 安装过程中，您将被提示是否同意许可协议，以及是否将 Miniconda 初始化。通常选择 "yes" 以完成安装和初始化。
  • 安装完成后，您可以使用 conda 命令来管理 Python 环境和包。
  • 如果链接无法访问或解析失败，可能是因为网络问题或链接本身的问题。请检查网络连接，并确保链接是最新的和有效的。如果问题依旧，请访问 Anaconda 的官方网站获取最新的下载链接。

4. 从 github 仓库克隆项目

  • 克隆存储库：
    • git clone https://github.com/THUDM/GLM-4
    • 这个命令使用 git clone 从指定的 GitHub 地址克隆 "GLM-4" 项目，默认情况下 Git 会克隆整个项目的所有提交历史。
  • 切换目录：
    • cd GLM-4
    • 这个命令使用 cd（change directory）命令切换当前工作目录到刚才克隆的 "GLM-4" 目录中。这意味着接下来执行的所有命令都是在该项目目录下执行。
# 克隆 ChatGLM4 项目
git clone https://github.com/THUDM/GLM-4 ChatGLM4

# 切换到克隆的项目目录中
cd ChatGLM4

image.png

出现以上页面即是克隆项目成功！

请注意，如果 git clone https://github.com/THUDM/GLM-4 这个链接不存在或者无效，git clone 命令将不会成功克隆项目，并且会报错。确保链接是有效的，并且您有足够的权限访问该存储库。

5. 创建虚拟环境

# 创建一个名为 ChatGLM4 的新虚拟环境，并指定 Python 版本为 3.10.8
conda create --name ChatGLM4 python=3.10.8

image.png

# 激活新创建的虚拟环境
conda activate ChatGLM4

image.png

6. 安装模型依赖库

  • 切换到项目目录
# 切换到项目工作目录
cd /ChatGLM4
  • 激活 ChatGLM4 虚拟环境
conda activate ChatGLM4
  • 安装 requirements.txt 依赖
# 在 ChatGLM3 环境中安装 requirements.txt 依赖
pip install -r requirements.txt

image.png

依赖安装成功如下图所示：

image.png

7. 下载预训练模型

# 创建一个THUDM文件夹
mkdir -p /ChatGLM4/basic_demo/THUDM

# 递归复制 GLM-4 这个整体文件夹到数据盘位置（因为模型有点大，系盘无法存放）
cp -r /ChatGLM4 /root/sj-tmp/

# 切换到 GLM-4 项目的 basic_demo 目录
cd /root/sj-tmp/ChatGLM4/basic_demo

安装 modelscope 依赖包

pip install modelscope

image.png

创建一个Python下载脚本

vim modelscope_download.py

插入以下下载代码

# Python 代码下载模型
from modelscope import snapshot_download
model_dir = snapshot_download('ZhipuAI/glm-4-9b-chat', cache_dir='./', revision='master')

执行 modelscope_download.py 文件进行模型下载

python modelscope_download.py

image.png

8. 运行 web_demo_gradio.py 文件

cd /root/sj-tmp/ChatGLM4/basic_demo/
python trans_web_demo.py

image.png

出现以上代码“ModuleNotFoundError: No module named 'peft'”报错，安装 peft 依赖包

# 安装 peft
pip install peft

image.png

image.png

出现以上报错，需要修改模型路径

# 编辑 trans_web_demo.py 文件
vim trans_web_demo.py

image.png

替换为

MODEL_PATH = os.environ.get('MODEL_PATH', 'ZhipuAI/glm-4-9b')

image.png

出现以上结果，还需要继续修改 web_demo_gradio.py 文件的IP和端口，才能进入 gradio 页面

# 编辑 trans_web_demo.py 文件
vim trans_web_demo.py

image.png

替换为

demo.launch(server_name="0.0.0.0", server_port=8080, inbrowser=True, share=True)

替换说明：server_name 为IP地址, server_port 为端口号，根据访问需求进行替换即可

image.png

三、网页演示

出现以下 Gradio 页面，即是模型已搭建完成。

image.png

算家云
关注
  • 4
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
GLM-4本地部署的实战教程
herosunly的博客
06-05 8万+
本文主要介绍了GLM-4-9B本地部署的实战教程，希望对学习和使用大模型的同学们有所帮助。 文章目录 1. 前言 2. 配置环境 2.1 安装虚拟环境 2.2 安装依赖库 2.3 下载模型文件 3. 运行glm-4-9b-chat
Chatglm-130b本地部署教程
lh1234567lh的博客
09-19 3115
记录chatglm-130b的部署过程本地服务器环境：A40 (48G) *4 Ubuntu 20.04.3 LTS。
清华 chatglm 本地部署
歌布衣的博客
06-14 318
requirements.txt 在安装的chatglm目录下。安装 pytorch。
chatgpt平替，清华chatglm本地化部署教程（aigc大模型风口，校招找工作必备），包含weiui部署，api部署，对话框部署
xuxu96
04-02 1万+
chatglm模型本地化三种方式部署
ChatGLM 本地部署的详细教程
百态老人的博客
04-04 1万+
4. 下载预训练模型：ChatGLM使用预训练的GPT模型来生成回复。您可以从OpenAI（https://beta.openai.com/docs/models/gpt-3）下载预训练的GPT-3模型。如果您需要更详细的指导，请参考ChatGLM的文档（https://chatglm.readthedocs.io/en/latest/）或联系开发人员。2. 下载代码：从ChatGLM的GitHub仓库（https://github.com/cooelf/ChatGLM）下载代码。
ChatGLM-6B云服务器部署教程
菜鸟玩Java
06-16 2525
现在市面上好多教chatglm-6b本地化部署，命令行部署，webui部署的，但是api部署的方式企业用的很多，官方给的api没有直接支持流式接口，调用起来时间响应很慢，这次给大家讲一下流式服务接口如何写，大大提升响应速度。
ChatGLM2本地部署方法
tortorish的博客
03-28 478
ChatGLM2本地部署方法，避免从huggingface上下载权重文件。
FastGPT+ChatGLM3本地部署
weixin_48435461的博客
04-15 1421
FastGPT结合ChatGLM的本地部署
ChatGLM 本地部署搭建及测试运行
热门推荐
码园平常事
04-02 9万+
​ChatGLM-6B 是一个开源的、支持中英双语的对话语言模型，基于General Language Model (GLM)架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。 ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 已经能生成相当符合人类偏好的回答。
基于chatGLM的部署模型，包含前端模型和部署教程.zip
06-24
在本资源中，“基于ChatGLM的部署模型，包含前端模型和部署教程.zip”提供了从模型微调到实际部署的全套指南，对于想要学习和应用ChatGLM的人来说是一份宝贵的资料。 首先，让我们详细了解一下ChatGLM的核心特性： ...
基于 ChatGLM + Visual ChatGPT + Stable Diffusion的部署教程.zip
06-24
在这个“基于 ChatGLM + Visual ChatGPT + Stable Diffusion的部署教程”中，你将学习到如何整合这三个技术，构建一个具备视觉理解、高质量文本生成和自然对话能力的综合系统。教程可能包括以下几个关键步骤： 1. *...
ChatGLM和LLaMA中文指令微调教程.zip
06-24
4. **训练流程**：按照教程步骤进行模型的训练，这可能涉及使用深度学习框架如PyTorch或TensorFlow，并在GPU或TPU上运行代码。 5. **评估与优化**：学习如何评估微调后模型的性能，并根据评估结果进行模型的调整和...
Windows10下史上最新版本最详细ChatGLM36B环境搭建详细步骤
11-11
如果可能，选择10GB或更大显存的显卡，以便在INT4量化级别下运行模型。 接下来，安装CUDA和cuDNN。CUDA是NVIDIA提供的并行计算平台，而cuDNN是针对深度学习的GPU加速库。尽管你的显卡和驱动可能支持CUDA 12.2，但...
基于ChatGLM的直播虚拟机器人可以直接部署.zip
06-05
6. **教程与文档**：为了方便用户快速上手，项目中应该包含了详尽的使用教程和文档，指导用户如何部署、测试和维护这个虚拟机器人系统。 7. **用户体验优化**：除了基本的功能实现，项目可能还考虑了用户体验的优化...
Datawhale AI 夏令营 第四期 AIGC Task1
weixin_43680622的博客
08-10 984
Datawhale AI 夏令营（第四期）Task 1 从零入门AI生图原理&实践链接里的教程非常详细，很适合小白上手，从使用服务器平台到配置环境再到跑模型，手把手教！具体细节我就不赘述了，参看教程即可，下面我主要就此次Task1任务学到了哪些内容作一个总结。我开始接触图像生成呢，就是在进入2020年代后，大规模预训练模型时代。虽然是在这时候开始接触图像生成的，但并没有使用大模型，毕竟是小白嘛，就从经典的深度学习方法开始学习，如CNN和GAN。
Datawhale X 魔搭 AI夏令营第四期 | AIGC文生图——可图Kolors-LoRA风格故事 Task1笔记
ttrr27的博客
08-09 1129
Hi，大家好，我是半亩花海。最近在尝试学习AIGC的内容，并报名参加了Datawhale举办的2024年AI第四期夏令营，主要学习内容是从零入门AI生图原理和实践。本次活动基于魔搭社区“可图Kolors-LoRA风格故事挑战赛”进而开展的项目实践学习，很适合像我这样的想入门并实践AIGC文生图的初学者参与。
AIGC会带来一场变革，而非革命
Debug yourself!
08-09 342
然而，随着互联网的普及，很多领域都已经有了大量可以参考的文案范例，即使没有AIGC，人类在范例的基础上进行简单修改也能够达到预期结果，而AIGC生成的文本同样也需要人类检查和修改，效率的提升比较有限。就编程而言，AIGC能够生成相对简单的脚本，或者大型的相对模板化的项目，但是更复杂、更有创造性的项目，AIGC生成的代码的错误数量就指数级上升，改bug的时间甚至比重新写代码还长。AIGC和VR、区块链等技术具有一定的相似性，虽然是一种创新，但是真正创造的价值有限，与高昂的投入不成正比。
从互联网泡沫到AIGC：历史的教训与未来的机会
最新发布
weixin_41496173的博客
08-13 803
在科技发展的长河中，泡沫现象是一个无法避免的阶段。1995年至2001年的互联网泡沫，是科技史上最具代表性的事件之一。而今天，随着生成式AI（AIGC）的迅猛崛起，许多人开始担忧其是否会重蹈互联网泡沫的覆辙。本文将通过回顾互联网泡沫的历史，分析AIGC与之相似的特征，探讨当前技术发展中的风险和机会。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值