轻松分钟玩转书生·浦语大模型趣味 Demo

作业：1.300字小故事 2.badcase

看一看整个流程：开发机->选镜像->环境配置->下载1.8B模型

环境配置要点：

studio-conda -o internlm-base -t demo
# 与 studio-conda 等效的配置方案
# conda create -n demo python==3.10 -y
# conda activate demo
# conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia

• -n demo 或 --name demo：这个参数指定了新创建的环境的名称，在这个例子中，环境被命名为 demo。

• -y：这个参数用于自动接受 Conda 的提示，无需手动确认。在自动化脚本或批量创建环境中非常有用，因为它避免了在每次提示时都需要用户输入。

路径创建要点：

mkdir -p /root/demo
touch /root/demo/cli_demo.py
touch /root/demo/download_mini.py
cd /root/demo

1. `mkdir -p /root/demo`：这个命令创建一个名为`demo`的目录在`/root`下。`-p`参数确保即使父目录不存在，也会创建父目录，并且如果目录已经存在，命令也不会报错。

2. `touch /root/demo/cli_demo.py`：这个命令会在`/root/demo`目录下创建一个名为`cli_demo.py`的空文件。

3. `cd /root/demo`：这个命令会将当前工作目录切换到`/root/demo`。

模型下载要点：

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')
 

demo要点：

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)

BFloat16的精度之所以比Float16高，是因为：

1. 更多的指数位：BFloat16拥有8位指数位，而Float16只有5位。这意味着BFloat16可以表示更广泛的数值范围，包括更大的值和更小的非零值。

2. 更多的尾数位：尽管BFloat16和Float16都有7位尾数位，但BFloat16的指数位更多，这使得它可以更有效地使用这些尾数位来表示更精确的数值。

然而，与32位浮点数（Float32）相比，BFloat16的精度较低，因为：

• Float32有23位尾数位，而BFloat16只有7位。
• Float32有8位指数位，与BFloat16相同，但由于尾数位更多，它可以表示更多的有效数字。