书生·浦语2.0(InternLM2)大模型实战--Day01 趣味 Demo | 部署InternLM2-Chat-1.8B模型

华尔街的幻觉

已于 2024-04-01 10:26:33 修改

阅读量966

点赞数 29

分类专栏：书生浦语大模型文章标签： InterLM2 书生浦语

于 2024-03-31 15:53:56 首次发布

本文链接：https://blog.csdn.net/sinat_29950703/article/details/137196194

版权

书生浦语大模型专栏收录该内容

9 篇文章 1 订阅

订阅专栏

课程介绍

在这里插入图片描述
了解完书生·浦语InternLM2大模型实战–基本认知后，就可以做 Homework-demo 啦

Day01的作业基本是按照GitHub链接完成 GitHub – 轻松玩转书生·浦语大模型趣味 Demo

作业截图如下
在这里插入图片描述
基本作业是实战第一部分
进阶作业的后两个是实战的的第三、四部分
我把进阶作业的"熟悉hugging下载功能"也放在实战第二部分吧
下面就按趣味 Demo 的流程来做官网 InternLM-studio

1.实战部署 InternLM2-Chat-1.8B 模型

部署 InternLM2-Chat-1.8B 模型进行智能对话，生成300字小故事

1.2 配置环境

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

pip install huggingface-hub==0.17.3 transformers==4.34 psutil==5.9.8 accelerate==0.24.1 streamlit==1.32.2 matplotlib==3.8.3 modelscope==1.9.5 sentencepiece==0.1.99

1.2 下载 InternLM2-Chat-1.8B 模型

按路径创建文件夹，并进入到对应文件目录中：

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

进入 demo 文件夹
编辑 /root/demo/download_mini.py 文件，复制代码：

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')

执行命令，下载模型参数文件：

python /root/demo/download_mini.py

实力效果如下：
在这里插入图片描述

1.3 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

等待模型加载完成，键入内容

示例1

请创作一个 300 字的小故事

效果如下：
在这里插入图片描述

示例2

请创作一个 800 字的儿童睡前故事

效果如下：
在这里插入图片描述

2.实战部署八戒-Chat-1.8B 模型

2.1 简单介绍八戒-Chat-1.8B、Chat-嬛嬛-1.8B、Mini-Horo-巧耳

（实战营优秀作品）

八戒-Chat-1.8B、Chat-嬛嬛-1.8B、Mini-Horo-巧耳均是在第一期实战营中运用 InternLM2-Chat-1.8B 模型进行微调训练的优秀成果。其中，八戒-Chat-1.8B 是利用《西游记》剧本中所有关于猪八戒的台词和语句以及 LLM API 生成的相关数据结果，进行全量微调得到的猪八戒聊天模型。作为 Roleplay-with-XiYou 子项目之一，八戒-Chat-1.8B 能够以较低的训练成本达到不错的角色模仿能力，同时低部署条件能够为后续工作降低算力门槛。
在这里插入图片描述
当然，同学们也可以参考其他优秀的实战营项目，具体模型链接如下：

八戒-Chat-1.8B：https://www.modelscope.cn/models/JimmyMa99/BaJie-Chat-mini/summary
Chat-嬛嬛-1.8B：https://openxlab.org.cn/models/detail/BYCJS/huanhuan-chat-internlm2-1_8b
Mini-Horo-巧耳：https://openxlab.org.cn/models/detail/SaaRaaS/Horowag_Mini

🍏那么，开始实验！！！

2.2 配置基础环境

运行环境命令：

conda activate demo

使用 git 命令来获得仓库内的 Demo 文件：

cd /root/
git clone https://gitee.com/InternLM/Tutorial -b camp2
# git clone https://github.com/InternLM/Tutorial -b camp2
cd /root/Tutorial

2.3 下载运行 Chat-八戒 Demo

在 Web IDE 中执行 bajie_download.py：

python /root/Tutorial/helloworld/bajie_download.py

待程序下载完成后，输入运行命令：

streamlit run /root/Tutorial/helloworld/bajie_chat.py --server.address 127.0.0.1 --server.port 6006

待程序运行的同时，对端口环境配置本地 PowerShell 。使用快捷键组合 Windows + R（Windows 即开始菜单键）打开指令界面，并输入命令，按下回车键。（Mac 用户打开终端即可）
在这里插入图片描述
打开 PowerShell 后，先查询端口，再根据端口键入命令（例如图中端口示例为 38374）：

# 从本地使用 ssh 连接 studio 端口
# 将下方端口号 38374 替换成自己的端口号
ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 38374

再复制下方的密码，输入到 password 中，直接回车：
在这里插入图片描述
最终保持在如下效果即可：
打开 http://127.0.0.1:6006 后，等待加载完成即可进行对话，键入内容示例如下：

你好，请自我介绍

效果图如下：
在这里插入图片描述
再问其他问题：

额の(⊙o⊙)…

2.4 熟悉huggingface下载功能

本地安装hugging_hub

pip install huggingface-hub

代码用1.2章节中的download_mini.py，改以下三处

把snapshot_download换成从huggingface-hub导入
复制repo_id号，从huggingface的interlm2-chat-7b页面复制（箭头处）
修改保存模型的目录

import os
# from modelscope.hub.snapshot_download import snapshot_download
from huggingface_hub import snapshot_download
# 创建保存模型目录
os.system("mkdir ./models")

# save_dir是模型保存到本地的目录
save_dir="./models"

snapshot_download("internlm/internlm2-chat-7b", 
                  cache_dir=save_dir, 
                  revision='v1.1.0')

下载界面如下：
在这里插入图片描述
下载完毕，可以看到config.json

3.实战进阶 Lagent 智能体Demo

运行 InternLM2-Chat-7B 模型

3.1 初步介绍 Lagent 相关知识

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。它的整个框架图如下:
在这里插入图片描述
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。

3.2 配置基础环境

使用 git 命令下载 Lagent 相关的代码库：

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

运行效果如图：
在这里插入图片描述

3.3 使用 Lagent 运行 InternLM2-Chat-7B 模型为内核的智能体

打开 lagent 路径：

cd /root/demo/lagent

在 terminal 中输入指令，构造软链接快捷访问方式：

ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b /root/models/internlm2-chat-7b

打开 lagent 路径下 examples/internlm2_agent_web_demo_hf.py 文件，并修改对应位置 (71行左右) 代码：把20b改成7b
在这里插入图片描述
输入运行命令 - 点开 6006 链接后，大约需要 5 分钟完成模型加载（加载时间有一点点长）：

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

待程序运行的同时，对本地端口环境配置本地 PowerShell 。使用快捷键组合 Windows + R（Windows 即开始菜单键）打开指令界面，并输入命令，按下回车键。（Mac 用户打开终端即可）

同1.3节同样操作，复制机器的ssh的端口号和密码，PowerShell 保持打开

在这里插入图片描述
在本地网页打开 http://127.0.0.1:6006 后，（会有较长的加载时间）只要勾上数据分析，其他的选项不要选择，进行计算方面的 Demo 对话，即完成本章节实战。

键入内容示例：

请解方程 2*X=1360 之中 X 的结果

页面是加载出来了，但是cuda还是不够呐
在这里插入图片描述

我等到50%机器后，再次运行即可
在这里插入图片描述

4.实战进阶灵笔InternLM2-XComposer2|图文

4.1 初步介绍 XComposer2 相关知识

浦语·灵笔2 是基于 书生·浦语2 大语言模型研发的突破性的图文多模态大模型，具有非凡的图文写作和图像理解能力，在多种应用场景表现出色，总结起来其具有：

自由指令输入的图文写作能力： 浦语·灵笔2 可以理解自由形式的图文指令输入，包括大纲、文章细节要求、参考图片等，为用户打造图文并貌的专属文章。生成的文章文采斐然，图文相得益彰，提供沉浸式的阅读体验。
准确的图文问题解答能力：浦语·灵笔2 具有海量图文知识，可以准确的回复各种图文问答难题，在识别、感知、细节描述、视觉推理等能力上表现惊人。
杰出的综合能力： 浦语·灵笔2-7B 基于 书生·浦语2-7B 模型，在13项多模态评测中大幅领先同量级多模态模型，在其中6项评测中超过 GPT-4V 和 Gemini Pro。

在这里插入图片描述

4.2 配置基础环境

进入开发机，启动 conda 环境：

conda activate demo
# 补充环境包
pip install timm==0.4.12 sentencepiece==0.1.99 markdown2==2.4.10 xlsxwriter==3.1.2 gradio==4.13.0 modelscope==1.9.5

下载 InternLM-XComposer 仓库相关的代码资源：

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

在 terminal 中输入指令，构造软链接快捷访问方式：

ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-7b /root/models/internlm-xcomposer2-7b
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-vl-7b /root/models/internlm-xcomposer2-vl-7b

4.3 图文写作实战

继续输入指令，用于启动 InternLM-XComposer：

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

在这里插入图片描述
同1.3节同样操作，复制机器的ssh的端口号和密码，PowerShell 保持打开

打开 http://127.0.0.1:6006 实践效果如下图所示：
在这里插入图片描述

4.4 图片理解实战

关闭并重新启动一个新的 terminal，继续输入指令，启动 InternLM-XComposer2-vl：

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

打开 http://127.0.0.1:6006 (上传图片后) 键入内容示例如下：

请分析一下图中内容

实践效果如下图所示：
在这里插入图片描述
这是一张DALL3生成的图，虽然不太对，但描述尚可。

心得体会

GitHub链接写的比较详细，一步一步操作是可以完成作业的。
1. 惊讶于InternLM2的 数据分析能力 和 多模态的生成能力
2. 大模型需要砸机器才能出来效果呀，本地/GPU资源不够，根本不够玩的
3. 但还是希望小伙伴们学习搭建起环境，学习使用各种国内外大模型

华尔街的幻觉

关注

29
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
书生·浦语2.0(InternLM2)大模型实战--Day01 趣味 Demo | 部署InternLM2-Chat-1.8B模型

了解完[书生·浦语InternLM2大模型实战--基本认知] 后，就可以做 Homework-demo 啦Day01的作业基本是按照GitHub链接完成 [GitHub -- 轻松玩转书生·浦语大模型趣味 Demo]
复制链接

扫一扫