LLMs之Code：CodeShell的简介、安装、使用方法之详细攻略

LLMs之code：CodeShell的简介、安装、使用方法之详细攻略

目录

CodeShell的简介

1、coshell的主要特点

2、性能

3、技术架构

Hyper-parameter：vocab_size=70144

Data：爬取Github/Stack/StarCoder+Minihash去重+KenLM过滤

Tokenizer：扩展中文词表

CodeShell的安装

1、安装

2、模型权重下载

3、测试：四种形式GUI/CLI/API/IDE

T1、Web UI

T2、CLI Demo

T3、API

T4、IDE

CodeShell的使用方法

1、Code Generation

(1)、Fill in the Moddle

(2)、代码问答

(3)、Model Quantization

(4)、CodeShell in c/c++

2、进阶用法

(1)、使用CodeShell-7B-Chat-int4实现

LLMs之code：CodelShell量化版(基于llama.cpp如CodeShell-7B-Chat-int4)的简介、安装与推理实战图文教程之详细攻略

---

CodeShell的简介

       2023年10月19日，CodeShell是北京大学知识计算实验室联合四川天府银行AI团队研发的多语言代码大模型基座。CodeShell具有70亿参数，在五千亿Tokens进行了训练，上下文窗口长度为8192。在权威的代码评估Benchmark（HumanEval与MBPP）上，CodeShell取得同等规模最好的性能。与此同时，我们提供了与CodeShell配套的部署方案与IDE插件，请参考代码库CodeShell。

本次开源的模型如下：
>> CodeShell Base：CodelShell底座模型，具有强大的代码基础能力。
>> CodeShell Chat：CodelShell对话模型，在代码问答、代码补全等下游任务重性能优异。
>> CodeShell Chat 4bit：CodelShell对话模型4bit量化版本，在保证模型性能的前提下内存消耗更小，速度更快。
>> CodeShell CPP：CodelShell对话模型CPP版本，支持开发者在没有GPU的个人电脑中使用。注意，CPP版本同样支持量化操作，用户可以在最小内存为8G的个人电脑中运行CodeShell。

GitHub地址：https://github.com/WisdomShell/codeshell

1、coshell的主要特点

强大的性能：CodelShell在HumanEval和MBPP上达到了7B代码基座大模型的最优性能；
完整的体系：除了代码大模型，同时开源IDE（VS Code与JetBrains）插件，形成开源的全栈技术体系；
轻量化部署：支持本地C++部署，提供轻量快速的本地化软件开发助手解决方案；
全面的评测：提供支持完整项目上下文、覆盖代码生成、代码缺陷检测与修复、测试用例生成等常见软件开发活动的多任务评测体系（即将开源）；
高效的训练：基于高效的数据治理体系，CodeShell在完全冷启动情况下，只训练了五千亿T；oken即获得了优异的性能；

2、性能

我们选取了目前最流行的两个代码评测数据集（HumanEval与MBPP）对模型进行评估，与目前最先进的两个7b代码大模型CodeLllama与Starcoder相比，Codeshell 取得了最优的成绩。具体评测结果如下。

任务	CodeShell-7b	CodeLlama-7b	Starcoder-7b
humaneval	34.32	29.44	27.80
mbpp	38.65	37.60	34.16
multiple-js	33.17	31.30	27.02
multiple-java	30.43	29.24	24.30
multiple-cpp	28.21	27.33	23.04
multiple-swift	24.30	25.32	15.70
multiple-php	30.87	25.96	22.11
multiple-d	8.85	11.60	8.08
multiple-jl	22.08	25.28	22.96
multiple-lua	22.39	30.50	22.92
multiple-r	20.52	18.57	14.29
multiple-rkt	17.20	12.55	10.43
multiple-rs	24.55	25.90	22.82

3、技术架构

Code Shell使用GPT-2作为基础架构，采用Grouped-Query Attention、RoPE相对位置编码等技术。

Hyper-parameter：vocab_size=70144

Hyper-parameter	Value
n_layer	42
n_embd	4096
n_inner	16384
n_head	32
num_query_groups	8
seq-length	8192
vocab_size	70144

Data：爬取Github/Stack/StarCoder+Minihash去重+KenLM过滤

CodeShell基于自己爬取的Github数据、Big Code开源的Stack和StarCoder数据集、以及少量高质量的中英文数据进行训练。在原始数据集的基础上，CodeShell采用基于Minihash对数据去重，基于KenLM以及高质量数据筛选模型对数据进行了过滤与筛选，最终得到高质量的预训练数据集。

Tokenizer：扩展中文词表

CodeShell基于Starcoder词表进行了优化，去除了使用频率较低的词语，并添加了部分中文词表，显著提升了中文的压缩率，为Chat版本的训练提供了基础。

Tokenizer	Size	Chinese	English	Code	Total
Starcoder	49152	1.22	3.47	3.30	2.66
CodeShell	70020	1.50	3.47	3.30	2.95

CodeShell的安装

1、安装

下载项目代码，然后安装依赖

pip install -r requirements.txt

transformers>=4.34.0
torch>=2.0.1


pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade transformers
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade torch


pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade accelerate

2、模型权重下载

地址：https://huggingface.co/WisdomShell/CodeShell-7B/tree/main

3、测试：四种形式GUI/CLI/API/IDE

我们提供了Web-UI、命令行、API、IDE四种形式的Demo。

T1、Web UI

开发者通过下列命令启动Web服务，服务启动后，可以通过https://127.0.0.1:8000进行访问。

python demos/web_demo.py

T2、CLI Demo

我们也提供了命令行交互的Demo版本，开发者可以通过下列命令运行。

python demos/cli_demo.py

T3、API

CodeShell也提供了基于OpenAI API的部署方法。

python demos/openai_api.py

启动后即可通过HTTP请求与CodeShell交互。

curl http://127.0.0.1:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "CodeShell-7B-Chat",
    "messages": [
      {
        "role": "user",
        "content": "你好"
      }
    ]
  }'

T4、IDE

CodeShell最后提供了线上IDE，开发者可以通过IDE进行代码补全、代码问答等操作。同时，IDE插件也同时发布，开发者可以自行在本地进行安装使用。插件相关问题欢迎在VSCode插件仓库与IntelliJ插件仓库中讨论。

CodeShell的使用方法

1、Code Generation

开发者可以使用CodeShell快速生成代码，加速开发效率。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

device = 'cuda' if torch.cuda.is_available() else 'cpu'
tokenizer = AutoTokenizer.from_pretrained("WisdomShell/CodeShell-7B")
model = AutoModelForCausalLM.from_pretrained("WisdomShell/CodeShell-7B", trust_remote_code=True, torch_dtype=torch.bfloat16).to(device)
inputs = tokenizer('def merge_sort():', return_tensors='pt').to(device)
outputs = model.generate(**inputs)
print(tokenizer.decode(outputs[0]))

(1)、Fill in the Moddle

CodeShell 支持Fill-in-the-Middle模式，从而更好的支持软件开发过程。

input_text = "<fim_prefix>def print_hello_world():\n    <fim_suffix>\n    print('Hello world!')<fim_middle>"
inputs = tokenizer(input_text, return_tensors='pt').to(device)
outputs = model.generate(**inputs)
print(tokenizer.decode(outputs[0]))

(2)、代码问答

CodeShell同时开源了代码助手模型CodeShell-7B-Chat，开发者可以通过下列代码与模型进行交互。

model = AutoModelForCausalLM.from_pretrained('WisdomShell/CodeShell-7B-Chat', trust_remote_code=True, torch_dtype=torch.bfloat16).to(device)
tokenizer = AutoTokenizer.from_pretrained('WisdomShell/CodeShell-7B-Chat')

history = []
query = '你是谁?'
response = model.chat(query, history, tokenizer)
print(response)
history.append((query, response))

query = '用Python写一个HTTP server'
response = model.chat(query, history, tokenizer)
print(response)
history.append((query, response))

开发者也可以通过VS Code与JetBrains插件与CodeShell-7B-Chat交互，详情请参VSCode插件仓库与IntelliJ插件仓库。

(3)、Model Quantization

CodeShell 支持4 bit/8 bit量化，4 bit量化后，占用显存大小约6G，用户可以在显存较小的GPU上使用CodeShell。

model = AutoModelForCausalLM.from_pretrained('WisdomShell/CodeShell-7B-Chat-int4', trust_remote_code=True).to(device)
tokenizer = AutoTokenizer.from_pretrained('WisdomShell/CodeShell-7B-Chat-int4')

(4)、CodeShell in c/c++

由于大部分个人电脑没有GPU，CodeShell提供了C/C++版本的推理支持，开发者可以根据本地环境进行编译与使用，详见CodeShell C/C++本地化版。

2、进阶用法

(1)、使用CodeShell-7B-Chat-int4实现

LLMs之code：CodelShell量化版(基于llama.cpp如CodeShell-7B-Chat-int4)的简介、安装与推理实战图文教程之详细攻略

https://yunyaniu.blog.csdn.net/article/details/134031755