GLM-4-9B大模型本地部署实践

最新推荐文章于 2025-03-11 10:48:58 发布

大模型部署

最新推荐文章于 2025-03-11 10:48:58 发布

阅读量1.6k

点赞数 30

文章标签：人工智能 LLM 程序员 langchain AI大模型编程科技

本文链接：https://blog.csdn.net/huang9604/article/details/145468249

版权

介绍一下本地部署及应用GLM-4模型的方法。

1 GLM-4模型简介

GLM-4是智谱AI推出的开源多语言多模态预训练对话大模型。GLM-4-9B是GLM-4系列中的开源版本，在语义、数学、推理、代码和知识等方面均有卓越的表现。

2 安装部署方法

下面从模型下载、模型部署、模型调用三个方面介绍一下该模型的应用方法。‍‍‍

2.1 模型下载

需要下载两个内容，一个是不同应用场景下的应用示例代码（为开发者提供基础的 GLM-4-9B 的使用和开发代码），另一个是模型本身。‍‍

2.1.1 代码示例仓库‍

下载地址是：https://github.com/THUDM/GLM-4‍‍‍‍

下载后的文件目录结构如下：

其中：

basic_demo：包含使用transformers 和 vLLM 后端的交互代码、OpenAI API 后端交互代码、Batch推理代码、网页方式交互代码；‍‍‍‍‍‍‍‍‍‍

composite_demo：包含了完整的功能演示代码，包含了 All Tools 能力、长文档解读和多模态能力的展示；‍‍‍‍‍‍‍‍‍‍

finetune_demo：包含了微调代码；‍‍

intel_device_demo：包含了使用 OpenVINO 部署模型代码、使用 Intel® Extension for Transformers 部署模型代码。‍

2.1.2 模型文件仓库‍‍‍

模型文件可以从Hugging Face、魔搭社区、始智AI三个不同的平台下载：‍‍‍‍‍‍

模型文件较大，使用git clone命令下载时，需要安装并初始化git的lfs支持功能（lfs：large file storage，代表大文件支持），否则下载下来的模型文件是异常的。即在使用git clone下载模型之前，执行下面两行：

yum install git-lfs(安装git lfs支持)``git lfs install（初始化git lfs）

然后使用git clone下载模型库：

git clone https://huggingface.co/THUDM/glm-4-9b``或``git clone https://modelscope.cn/models/ZhipuAI/glm-4-9b/files``或``git clone https://wisemodel.cn/models/ZhipuAI/GLM-4-9B/file

备注：模型存放格式是safetensors格式：该格式是一种专为深度学习模型设计的文件格式，主要用于存储模型参数等信息，具有安全（文件中包含了签名和哈希值信息，防止文件内容被篡改）、压缩（文件存储使使用了压缩算法）、兼容（与TensorFlow、PyTorch等不同框架兼容）等特点。

下载后的内容如下图所示：‍‍‍‍‍‍‍‍‍‍

2.2 模型部署‍

此处的安装部署主要指的是安装调用大模型需要的基础库，需要的库都在示例代码对应的目录下的requirements.txt文件中列明了，只需要通过以下方式安装即可：

pip install -r requirements.txt

以basic_demo为例，需要安装的基础库包括：‍‍‍‍‍

备注：安装过程如遇兼容性问题，则更改python版本后重新安装，一般是python版本引起的问题。‍‍‍‍‍‍‍‍‍‍

2.3 通过命令行交互方式与模型交互‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

基础库安装完成之后就可以通过GLM-4-main库中提供的不同使用方式的示例代码启动模型、并与模型交互。比如通过basic_demo下的trans_cli_demo.py启动命令行交互过程。‍

在启动之前需要修改trans_cli_demo.py文件中模型路径信息：

cd glm/GLM-4-main/basic_demo``vi trans_cli_demo.py`    `MODEL_PATH = "THUDM/glm-4-9b-chat" (修改为自己所下载的模型的实际位置)

然后启动命令行交互脚本：

cd GLM-4-main/basic_demo/``python trans_cli_demo.py

交互结果如下：‍‍

备注1：如果遇到中文显示乱码问题，可以在linux系统命令行安装中文语言集，命令如下：‍

yum install glibc-langpack-zh

备注2：在使用glm-4-9b模型时，遇到一个报错“调用_pad函数时，没有与padding_side实参对应的形参定义”，这需要修改一下glm-4-9b/tokenization_chatglm.py文件中的_pad函数的定义，如下所示：

vi glm-4-9b/tokenization_chatglm.py`     `def _pad(`             `self,`             `encoded_inputs: Union[Dict[str, EncodedInput], BatchEncoding],`             `max_length: Optional[int] = None,`             `padding_side: str = "left",    #添加这一行`             `padding_strategy: PaddingStrategy = PaddingStrategy.DO_NOT_PAD,`             `pad_to_multiple_of: Optional[int] = None,`             `return_attention_mask: Optional[bool] = None,`     `) -> dict:

3 推理性能

只在CPU资源上简单测试了推理性能。

CPU：单颗 Intel® Xeon® Gold 5318Y CPU @ 2.10GHz

内存：64GB

运行速度较慢，大概10来秒出一个词，运行过程中top查看的服务器资源利用情况如下图所示（CPU满负荷）：

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望