InternLM实战营第二期---Demo部署笔记

H1356414643

已于 2024-04-25 15:02:20 修改

阅读量346

点赞数 4

分类专栏：书生·浦语大模型 AI 文章标签：笔记语言模型

于 2024-04-03 01:04:10 首次发布

本文链接：https://blog.csdn.net/l18817813618/article/details/137297416

版权

书生·浦语大模型同时被 2 个专栏收录

7 篇文章 0 订阅

订阅专栏

5 篇文章 0 订阅

订阅专栏

课程文档：https://github.com/InternLM/Tutorial/blob/camp2/helloworld/hello_world.md
课程视频：https://www.bilibili.com/video/BV1AH4y1H78d/
课程作业：https://github.com/InternLM/Tutorial/blob/camp2/helloworld/homework.md

开发机不小心玩坏了...配置步骤如下

1.Demo实战部署 InternLM2-Chat-1.8B

创建Intern Studio 开发机，通过Modelscope下载 InternLM2-Chat-1.8B 模型（B是billion的缩写十亿），这里解释一下Modelscope是一个模型即服务平台，宗旨是汇聚AI社区最先进的机器学习模型，并简化在实际应用中使用AI的流程。

2.实战部署优秀作品八戒-Chat-1.8B

通过OpenXlab部署XiYou系列八戒-Chat-18.8B模型，完成Web Demo的部署和交互

3.实战进阶运行Lagent 智能体 Demo

实战算力升级之后，以InternLM2-Chat-7B为基础，运行开源框架Lagent的智能体Demo

4.实战进阶灵笔InternLM-XComposer2

浅唱多模态实践，通过InternLM-XComposer2 模型实现更加复杂的图文生产写作

实战部分

1.首先进入开发机，进入terminal 中输入环境配置命令

studio-conda -o internlm-base -t demo
#与studio -conda 等效配置的方案
#conda create -n demo python=3.10 -y
#conda activate demo
#conda install pytorch=2.01 torchvision=0.15.2
#激活环境
conda activate demo

pytorch与cuda和Python 对应的版本关系：Previous PyTorch Versions | PyTorch

# CUDA 11.7
conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia
# CUDA 11.8
conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.8 -c pytorch -c nvidia
# CPU Only
conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 cpuonly -c pytorch

torchvision：torchvision是PyTorch项目的一部分，它是一个用于构建计算机视觉模型的图形库。torchvision提供了以下功能：
数据集：torchvision提供了许多常用的数据集，这些数据集适用于训练和测试计算机视觉模型。
模型架构：torchvision包含许多常用的计算机视觉模型架构，例如ResNet、VGG、AlexNet等。
图像转换：torchvision还提供了许多用于图像转换的函数，例如裁剪、旋转等。
其他工具：torchvision还包含一些其他有用的工具，例如用于模型训练和测试的数据加载器等。
总之，torchvision是一个功能强大的计算机视觉库，适用于构建各种类型的计算机视觉模型，包括图像分类、目标检测、图像分割等。
                        
原文链接：https://blog.csdn.net/ajunbin859/article/details/134395460

torchaudio：Torchaudio是一个用于处理音频数据的Python库，它是基于PyTorch的扩展库，提供了丰富的音频处理功能和一系列预处理方法，方便用户在音频领域进行机器学习和深度学习的研究。具体来说，Torchaudio提供了从音频文件的读取到加载，音频变换和增强，以及音频数据可视化的整套工具。此外，Torchaudio还集成了一些常见的音频数据集，方便用户快速获取和处理音频数据

原文链接：https://blog.csdn.net/ajunbin859/article/details/134336525

2.完成环境包的安装

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

psutil (python system and process utilities):是一个跨平台的第三方库，能够轻松实现获取系统运行的进程和系统利用率（包扩CPU、内存、磁盘、网络等）信息。主要用于系统监控、分析、限制系统资源和进程的管理。库实现了ps、top、lsof、netstat、ifconfig、who、df、kill、free、nice、ionice、iostat、iotop、uptime、pidof、tty、taskset、pmap等相同命令行工具提供的功能。
Accelerate :是一个库，旨在无需大幅修改代码的情况下完成并行化。除此之外，🤗 Accelerate 附带的数据 pipeline 还可以提高代码的性能 https://hf.co/docs/accelerate
SentencePiece是什么:
SentencePiece是谷歌开源的针对NLP场景提取词汇表tokenizer的开源项目，SentencePiece提出的目的是在给定词汇表大小的前提下，最大化词表信息编码（词频+多样性）subword编码。比如英语中的simple和simplify这两个词意思是一样的，是为了适应语法需求而有的变化，所以使用独立的token对这两个单词编码是有冗余的，另外一种场景是，词频不一样，有常用汉字一说，也有常用英语单词一说。出现较少的词使用独立的token在训练的时候相比其他高频词由于出现的太少而造成深度学习（信息压缩）这一过程容易丢失该信息。
streamlit:Streamlit是一个用于机器学习、数据可视化的 Python 框架，它能几行代码就构建出一个精美的在线 app 应用。相比于Gradio，能展示更多的功能~
ModelScope:达摩院创建的ModelScope旨在打造下一代开源的模型即服务共享平台，为泛AI开发者提供灵活、易用、低成本的一站式模型服务产品，让模型应用更简单！ModelScope社区基础NLP模型简介 - 知乎, 魔搭社区
Matplotlib是探索数据可视化领域的重要一步。Matplotlib是一个功能强大、灵活且广泛使用的Python绘图库，它能够帮助你将数据以清晰、美观的方式呈现。在这次学习中，你将了解如何使用Matplotlib创建各种类型的图表，从简单的线图到复杂的三维图表matplotlib安装与使用方法-CSDN博客

3. 下载 InternLM2-Chat-1.8B 模型

按路径创建文件夹，并且进入到对应的目录文件当中

mkdir -p /root/demo
touch /root/demo/cli_demo.py
touch /root/demo/download_mini.py
cd /root/demo
#执行命令
python /root/demo/download_mini.py

双击 /root/demo/download_mini.py 文件，复制以下代码：

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 保存模型到本地目录
save_dir="/root/models"

snapshot_download("Shanghai_AI_Laboratory/internlm2-chat-1_8b",
                  cache_dir=save_dir,
                  revision='v1.1.0'
                  ")

执行命令，下载模型参数文件：

python /root/demo/download_mini.py

2.3 运行 cli_demo

双击打开 /root/demo/cli_demo.py 文件，复制以下代码：

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)

输入命令，执行 Demo 程序：

conda activate demo
python /root/demo/cli_demo.py