一. 部署 InternLM2-Chat-1.8B
模型进行智能对话
部署流程
创建开发机配置环境
下载模型
运行py程序
创建开发机
InternStudio算力平台创建一个10%A100开发机
选择Cuda11.7-conda
镜像
镜像中已经安装了 CUDA 11.7 GPU 加速工具包,可以在开发机器上运行基于 CUDA 的 GPU 加速的计算任务。此外,还包含了 Conda 环境,这样可以更轻松地管理 Python 环境和依赖项。
配置环境
创建了一个名为 "demo" 的 Conda 环境
python版本为3.10,同时激活相关环境,安装相关python包
下载模型
使用以下py代码进行下载
snapshot_download这个函数从Modelscope Hub中下载模型,Modelscope Hub在此充当了一个中央模型库,其保存在云服务器上
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')
运行py程序
1.创建cli_demo.py
cli_demo.py加载了 InternLM2-chat-1_8b 模型,并启动了一个基于命令行的对话界面。用户可以输入文本,模型会根据输入和之前的对话历史生成响应,并流式输出响应内容。当用户输入 "exit" 时,对话结束,程序退出。
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.使用 Conda 管理环境的情况下运行 Python,进入对话框,进行模型调用。
conda activate demo
python /root/demo/cli_demo.py
二. 部署实战营优秀作品 八戒-Chat-1.8B
模型
模型介绍
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。
优秀实战营项目,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
模型下载
1. 使用命令行下载gitee仓库内的demo文件
cd /root/
git clone https://gitee.com/InternLM/Tutorial -b camp2
# git clone https://github.com/InternLM/Tutorial -b camp2
cd /root/Tutorial
2.在 Web IDE
中执行 bajie_download.py
:
python /root/Tutorial/helloworld/bajie_download.py
待程序下载完成后,输入运行命令:
streamlit run /root/Tutorial/helloworld/bajie_chat.py --server.address 127.0.0.1 --server.port 6006
模型运行
打开 http://127.0.0.1:6006 后,等待加载完成即可进行对话,键入内容示例如下:
三. 通过 InternLM2-Chat-7B
运行 Lagent
智能体 Demo
Legent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:
智能体的未来巨大潜能:比尔盖茨深度文章《比尔盖茨:人工智能将彻底改变人们使用电脑的方式并颠覆软件行业》
比尔盖茨:人工智能将彻底改变人们使用电脑的方式并颠覆软件行业
模型部署方式与上面方法类似
Legent运行实例
勾选数据分析模块,可以看出模型可以调用jupyter book模块,运行py代码
此处正确解出一元二次方程
四. 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,可以进行自由指令输入的图文写作能力,准确的图文问题解答能力。
图文写作实战
可以看出图文生成的质量很高,但是文章的内容排版仍然较为僵硬死板,每个段落都是差不多的长度,要想文章更有层次感和变化,还需要进一步加强提示词或给出更详细的大纲来生成文章。
图片理解实战
可以看出,图片理解不只是对图片的客观描述,还可以进行一定的艺术加工,多模态功能较为完善。