书生·浦语大模型作业二

在这次的作业里面，我们需要使用到开发机。这里我们可以发现这里平台还是给的比较方便。

开发机创建

呃，平台算力有点紧张，不过很正常。

环境配置

这里我们首先要去配置环境，发现这里配置文件超级多

下载模型

下载模型参数

这里我们需要先编写好download_mini.py的文件具体内容如下，我们主要是用来下载1.8b的模型，这里我们编写好之后，直接使用以下命令跑起来即可。

python /root/demo/download_mini.py

download_mini.py的内容如下：

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')

成功运行之后我们就可以得到这个结果。

运行模型

在运行模型之前我们需要先编写一个cli_demo.py的文件，内容如下

其中，prompt就是初始化的提示词，你可以直接更改为其他的，比如说把whose name 改为My Assistance。

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)

基础课后作业

这里我就不再更改了，小伙伴可以自行定义。

运行这段代码，我们并参加一些测试，可以得到以下的结果。

到这里，我们的课后基础练习题就结束了。

心得体会

这里不得不提的是，这里生成速度比camp1里面的要快好多，hh，还是模型参数太大了，显存带不起来。

软链接

创建

这里硬链接和软链接的区别我就不多说了，软链接更省空间。如果没有-s  就成为硬连接了。

ln  -s   [源文件]   [软链接文件]

删除

虽然删除有好几种做法，这里只推荐最安全的一种，就是unlink，当时我一直搞不懂软链接的名字是啥，其实很简单就是前面我们创建的 [软链接文件] 这个部分。

unlink 软链接名字

ssh远程免密连接

此外，我还额外了解了ssh远程连接，这一点在未来将会很有帮助。

平台也给的很方便，首先我们添加ssh配置（为了隐私，所以有些部分打码）

这里我们需要首先在我们本机添加一个ssh，具体如何配置可以参考我这里给的很简单的教程。

• 打开cmd，输入以下内容

ssh-keygen -t rsa -C "xxx@xxx.com"
//执行后一直回车即可，这里xxx可以换成你自己的，我这里就是kang@123.com

• 查看自己公钥内容

cd ~/.ssh
cat id_rsa.pub

大致可以得到以下的结果，我这里红色框框框起来的就是我们前面填写过的。

• 把刚刚cat得到的结果直接复制，粘贴到添加SSH公钥这里，然后就能够自动识别啦。

然后我们可以直接启动试验机，点击ssh连接

直接复制上面这一段，然后就可以直接用我们自己本机的cmd远程连接啦。

然后我们就可以得到以下的效果

进阶实战部署

使用 Lagent 运行 InternLM2-Chat-7B 模型

之前对于Lagent我几乎是没有任何了解的，这里主要搞懂这个工具以及概念。

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。

框架图

Lagent 的特性总结如下：

• 流式输出：提供 stream_chat 接口作流式输出，本地就能演示酷炫的流式 Demo。
• 接口统一，设计全面升级，提升拓展性，包括：
  • Model : 不论是 OpenAI API, Transformers 还是推理加速框架 LMDeploy 一网打尽，模型切换可以游刃有余；
  • Action: 简单的继承和装饰，即可打造自己个人的工具集，不论 InternLM 还是 GPT 均可适配；
  • Agent：与 Model 的输入接口保持一致，模型到智能体的蜕变只需一步，便捷各种 agent 的探索实现；
• 文档全面升级，API 文档全覆盖。

如果准备更加细致了解Lagent可以参考这链接Lagent官网

安装Lagent框架

我们可以直接使用以下命令安装，稍作等待即可。

git clone https://gitee.com/internlm/lagent.git
cd /root/demo/lagent
git checkout 581d9fb8987a5d9b72bb9ebd37a95efd47d479ac
pip install -e .

软链接到官方共享的模型

修改相关配置

因为这里我们需要使用的是7B模型，所以我们需要来到 lagent/examples/internlm2_agent_web_demo_hf.py ,修改一下模型的位置以及我们对应的模型。

在前面编写好之后，下一步我们讲直接运行

使用以下代码运行成功，并使用前面我们说过的ssh连接。

streamlit run /root/demo/lagent/examples/internlm2_agent_web_demo_hf.py --server.address 127.0.0.1 --server.port 6006

运行看效果（进阶作业3）

这里左侧我们可以直接选择数据分析，然后抛出一个比较简单的例子，这里程序不仅仅会给出求解方案，也会给出对应的python代码。

实战：实践部署 浦语·灵笔2 模型

补充环境

这里需要额外补充几个包。

下载模型相关的资源

cd /root/demo
git clone https://gitee.com/internlm/InternLM-XComposer.git
cd /root/demo/InternLM-XComposer
git checkout f31220eddca2cf6246ee2ddf8e375a40457ff626

同样的，和前面一个一样，官方直接给了对应的模型共享文件，我们直接创建软链接即可

运行看效果（进阶作业2）

同样的，我们使用ssh远程登录，在我们本机上看效果。不能说很强吧，只能说太强了。

图文写作

此外，我们还可以进行图片理解

图片理解

终端运行如下代码：

conda activate demo

cd /root/demo/InternLM-XComposer
python /root/demo/InternLM-XComposer/examples/gradio_demo_chat.py  \
--code_path /root/models/internlm-xcomposer2-vl-7b \
--private \
--num_gpus 1 \
--port 6006

然后重复上面我们的免密登录操作。看效果

进阶作业1

这里虽然成功下载了，但是还不了解如何下载到指定的位置。