第二期书生浦语大模型训练营第二次笔记

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

Streamlit 介绍 - 知乎
 

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。