第三期书生大模型实战营——8G显存玩转书生大模型Demo

目录

基础任务（完成此任务即完成闯关）

复现过程：

1.为Demo创建环境

2.部署 InternLM2-Chat-1.8B 模型

2.1创建一个目录,并创建一个cli_demo.py

2.2cli_demo.py代码

2.3启动demo

2.4结果展示​编辑

3.Streamlit Web Demo 部署 InternLM2-Chat-1.8B 模型

3.1使用vscode远程连接

3.2结果展示

进阶任务（闯关不要求完成此任务）

1.使用 LMDeploy 完成 InternLM-XComposer2-VL-1.8B 的部署，并完成一次图文理解对话，记录复现过程并截图。

        1.1激活环境并安装 LMDeploy 以及其他依赖

        1.2使用 LMDeploy 启动一个与 InternLM-XComposer2-VL-1.8B 模型交互的 Gradio 服务

         1.3结果展示

2.使用 LMDeploy 完成 InternVL2-2B 的部署，并完成一次图文理解对话，记录复现过程并截图。

        2.1启动 InternVL2-2B 模型的 Gradio 服务

        2.2结果展示

---

基础任务（完成此任务即完成闯关）

• 使用 Cli Demo 完成 InternLM2-Chat-1.8B 模型的部署，并生成 300 字小故事，记录复现过程并截图。

复现过程：

1.为Demo创建环境

# 创建环境
conda create -n demo python=3.10 -y
# 激活环境
conda activate demo
# 安装 torch
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia -y
# 安装其他依赖
pip install transformers==4.38
pip install sentencepiece==0.1.99
pip install einops==0.8.0
pip install protobuf==5.27.2
pip install accelerate==0.33.0
pip install streamlit==1.37.0

2.部署 InternLM2-Chat-1.8B 模型

2.1创建一个目录,并创建一个cli_demo.py

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

2.2cli_demo.py代码

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM


model_name_or_path = "/root/share/new_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)

2.3启动demo

python /root/demo/cli_demo.py

 注意：不要点击运行 这会使用默认的python解释器与环境 使用命令行可使用demo环境 

2.4结果展示

 附本人bash历史：

3.Streamlit Web Demo 部署 InternLM2-Chat-1.8B 模型

使用vscode的自动转发端口 很省时间

3.1使用vscode远程连接

1.打开vscode远程连接

2.新建终端

3.执行下面的代码

cd /root/demo
git clone https://github.com/InternLM/Tutorial.git
cd /root/demo
streamlit run /root/demo/Tutorial/tools/streamlit_demo.py --server.address 127.0.0.1 --server.port 6006

3.2结果展示

进阶任务（闯关不要求完成此任务）

1.使用 LMDeploy 完成 InternLM-XComposer2-VL-1.8B 的部署，并完成一次图文理解对话，记录复现过程并截图。

        注意一定要关闭InternLM2-Chat-1.8B 模型，否则8gb显存不够，同时建议使用vscode的自动转发端口

        1.1激活环境并安装 LMDeploy 以及其他依赖

conda activate demo
pip install lmdeploy[all]==0.5.1
pip install timm==1.0.7

        1.2使用 LMDeploy 启动一个与 InternLM-XComposer2-VL-1.8B 模型交互的 Gradio 服务

lmdeploy serve gradio /share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-vl-1_8b --cache-max-entry-count 0.1

         1.3结果展示

2.使用 LMDeploy 完成 InternVL2-2B 的部署，并完成一次图文理解对话，记录复现过程并截图。

 注意一定要关闭InternLM-XComposer2-VL-1.8B模型，否则8gb显存不够，同时建议使用vscode的自动转发端口

        2.1启动 InternVL2-2B 模型的 Gradio 服务

conda activate demo
lmdeploy serve gradio /share/new_models/OpenGVLab/InternVL2-2B --cache-max-entry-count 0.1

        2.2结果展示