详细视频:轻松玩转书生·浦语大模型趣味 Demo
详细文档:看这里
一、笔记
1.1、部署 InternLM2-Chat-1.8B 模型进行智能对话
部署模型可以分为三步:创建环境、下载模型。
创建环境:
studio-conda -o internlm-base -t demo
conda activate demo
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
下载模型:
首先定义一个 download_mini.py
文件:
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')
这个文件主要下载internlm-chat-1.8b的快照版本。其次,定义 cli_demo.py
文件:
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)
分别加载分词器和模型。这里注意的是,trust_remote_code
参数为 True,代表信任远程代码,不进行额外的安全性检查,可以加快加载速度,同时确保从受信任的来源获取模型和分词器,对于 HuggingFace模型存储库来说这么设置是没有问题的。同时,将模型设置为评价模式,可以确保模型在推理阶段的行为与训练阶段一致,并且能够更好地适应推理任务的需求,提高模型的稳定性和性能,同时减少内存占用和计算时间。
1.2、部署实战营优秀作品 八戒-Chat-1.8B 模型
八戒-Chat-1.8B
、Chat-嬛嬛-1.8B
、Mini-Horo-巧耳
均是在第一期实战营中运用 InternLM2-Chat-1.8B
模型进行微调训练的优秀成果。其中,八戒-Chat-1.8B
是利用《西游记》剧本中所有关于猪八戒的台词和语句以及 LLM API 生成的相关数据结果,进行全量微调得到的猪八戒聊天模型。作为 Roleplay-with-XiYou
子项目之一,八戒-Chat-1.8B
能够以较低的训练成本达到不错的角色模仿能力,同时低部署条件能够为后续工作降低算力门槛。
1.3、通过 InternLM2-Chat-7B 运行 Lagent 智能体 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
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。
核心代码是:
git clone https://gitee.com/internlm/lagent.git
# git clone https://github.com/internlm/lagent.git
cd /root/demo/lagent
git checkout 581d9fb8987a5d9b72bb9ebd37a95efd47d479ac
pip install -e . # 源码安装
cd /root/demo/lagent
# 构造软链接快捷访问方式
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b /root/models/internlm2-chat-7b
首先从 GitHub 中
下载 lagent
库,并且通过 git checkout
命令指定版本,pip install -e .
将当前目录下包的安装到环境中,这样,后续需要对包中的文件进行修改时,也能立刻生效,同时构造软链接方便访问,而不需要繁琐地记住绝对路径。
下载的时候网速要快,不然会很容易失败。
1.4、实践部署 浦语·灵笔2 模型
浦语·灵笔2
是基于 书生·浦语2
大语言模型研发的突破性的图文多模态大模型,具有非凡的图文写作和图像理解能力,在多种应用场景表现出色,总结起来其具有:
- 自由指令输入的图文写作能力:
浦语·灵笔2
可以理解自由形式的图文指令输入,包括大纲、文章细节要求、参考图片等,为用户打造图文并貌的专属文章。生成的文章文采斐然,图文相得益彰,提供沉浸式的阅读体验。 - 准确的图文问题解答能力:
浦语·灵笔2
具有海量图文知识,可以准确的回复各种图文问答难题,在识别、感知、细节描述、视觉推理等能力上表现惊人。 - 杰出的综合能力:
浦语·灵笔2-7B
基于书生·浦语2-7B
模型,在13项多模态评测中大幅领先同量级多模态模型,在其中6项评测中超过GPT-4V
和Gemini Pro
。
核心代码:
conda activate demo
# 补充环境包
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
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
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-7b /root/models/internlm-xcomposer2-7b
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-vl-7b /root/models/internlm-xcomposer2-vl-7b
二、作业
2.1、基础作业
2.1.1 使用 InternLM2-Chat-1.8B 模型生成 300 字的小故事
2.2、进阶作业
2.2.1 熟悉 huggingface 下载功能,使用 huggingface_hub python 包,下载 InternLM2-Chat-7B 的 config.json 文件到本地
2.2.2 完成 Lagent 工具调用 数据分析 Demo 部署
计算的时候勾选 数据分析
,如果网速不快的话,解题的过程会很慢,两个字两个字往外蹦。
2.2.3 完成 浦语·灵笔2 的 图文创作 及 视觉问答 部署
① 图文创作
主要代码:
cd /root/demo/InternLM-XComposer
python /root/demo/InternLM-XComposer/examples/gradio_demo_composition.py \
--code_path /root/models/internlm-xcomposer2-7b \
--private \
--num_gpus 1 \
--port 6006
运行结果:
不知道是不是我在生成的过程中添加了一张不相关的图片素材,导致插入的第一张图片也奇奇怪怪的,和主题没关系,但后面插入的图片又是正常的。。。
此外,如下图,从 terminal
的输出可以看到,每次插入的图片都是经过选择的,会由模型判断候选图片中哪张最适合在这个位置插入。
② 视觉问答
主要代码:
conda activate demo
cd /root/demo/InternLM-XComposer
python /root/demo/InternLM-XComposer/examples/gradio_demo_chat.py \
--code_path /root/models/internlm-xcomposer2-vl-7b \
--private \
--num_gpus 1 \
--port 6006
运行结果:
我上传的是一张电影《怪兽电力公司》里面的角色图,XComposer 2能分析出这两个角色是出自什么电影,但是不会说出这两个角色名称,也是蛮奇怪的。
问它角色的名字,然后上来先回答理解错误,想了想,可能是开始我只让它分析图片,然后后面我又问角色名字,它以为这是我一开始就想让它分析做的事,但它在开始的回答中没有说出来,所以抱歉。
中间,我插入了新的图片让模型分析,两张图片完全不相关,但显然模型搞混了,它结合了第一张图片的角色和第二张图片的背景,给出了一个缝合的答案 “这张图片是两个卡通角色,它们似乎在夜空中进行冒险。大眼怪 (Sulley) 和闪电虫 (Mike Wynn) 都在享受这个夜晚的乐趣。”可以看出低算力时,模型并不是能够很好地上下文信息,即使两张图片不相关,但模型仍然能通过 “都是卡通人物” 这一特征糅合信息。