书生·浦语大模型实战：部署 InternLM2-Chat-1.8B（lesson 2-1）

书生·浦语大模型实战系列文章目录

书生·浦语大模型全链路开源体系发展历程和特点（lesson 1）
部署 InternLM2-Chat-1.8B（lesson 2-1）
部署八戒demo InternLM2-Chat-1.8B（lesson 2-2）
部署InternLM2-Chat-7B 模型（lesson 2-3）
部署浦语·灵笔2 模型（lesson 2-4）
部署InternLM Studio“茴香豆”知识助手（lesson 3）
XTuner 微调 LLM: 1.8B、多模态和 Agent（lesson 4）
LMDeploy 量化部署 LLM & VLM 实践（lesson 5）
Lagent & AgentLego 智能体应用搭建（lesson 6）
OpenCompass 大模型评测实战（lesson 7）

---

前言

通过 Intern Studio的部署实习，配合实战营 Tutorial 同步完成学习任务。
课程地址：https://github.com/InternLM/Tutorial

一、实战内容

实战任务一：部署 InternLM2-Chat-1.8B

创建 Intern Studio 开发机，通过 Modelscope 下载 InternLM2-Chat-1.8B 模型，完成 Client Demo 的部署和交互。

实战任务二：部署八戒-Chat-1.8B

通过 OpenXLab 部署 XiYou 系列的 八戒-Chat- 1.8B 模型，完成 Web Demo 的部署和交互。

实战任务三：进阶 运行 Lagent 智能体 Demo

实战算力升级之后，以 InternLM2-Chat-7B 为基础，运行开源框架 Lagent 的智能体 Demo。

实战任务四：进阶 灵笔 InternLM-XComposer2

浅尝多模态实践，通过 InternLM-XComposer2 模型实现更加强大的图文生成式写作。

学习目的：

1. 创建并熟悉开发机；
2. 下载 InternLM2-Chat-1.8B 模型；
3. 尝试部署本地 Client Demo；
4. 了解如何部署自定义模型。

二、部署 InternLM2-Chat-1.8B

2.1 环境构建

打开 Intern Studio 界面，点击 创建开发机 配置开发机系统。

填写 开发机名称 后，点击 选择镜像 使用 Cuda11.7-conda 镜像，然后在资源配置中，使用 10% A100 * 1 的选项，然后立即创建开发机器。
点击 进入开发机 选项。
进入开发机后，在 terminal 中输入环境配置命令

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

然后进入安装阶段，过程较长。

conda环境: demo安装成功!

2.2 依赖安装

配置完成后，进入到新创建的 conda 环境之中：

conda activate demo

输入以下命令，完成环境包的安装：

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

这里出现warning信息：

WARNING: Running pip as the ‘root’ user can result in broken
permissions and conflicting behaviour with the system package manager.
It is recommended to use a virtual environment instead:
https://pip.pypa.io/warnings/venv

警告信息解释：
运行pip作为’root’用户可能导致文件或目录权限损坏。pip是Python包管理工具，通常不推荐以root用户身份运行，因为这可能会造成系统安全问题和不必要的权限提升。
解决方法：
避免以root用户运行pip。如果需要安装或升级Python包，请使用普通用户权限。
如果必须以root用户安装包，可以使用sudo命令：

sudo pip install package_name

或者使用–user选项让pip在当前用户的home目录中安装包，而不是全局位置：

pip install --user package_name

确保使用虚拟环境时，也不要以root用户运行，这样可以避免权限问题并提供一个隔离的环境。
如果是在脚本中运行pip，请确保脚本不是以root用户执行的。
建议始终尽可能避免以root用户运行pip，特别是在安装或升级Python环境时。这样做可以保持系统的安全性和稳定性。

安装结束。

2.3 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

双击打开 /root/demo/download_mini.py 文件，写入以下代码：

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')

下载模型参数文件：

python /root/demo/download_mini.py

2.4 编写测试代码

模型下载完毕后，打开 /root/demo/cli_demo.py 文件，输入以下代码：

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)

2.5 调试

输入命令，执行 Demo 程序：

conda activate demo
python /root/demo/cli_demo.py

出现报错信息：ModuleNotFoundError: No module named ‘sentencepiece’

输入：pip install sentencepiece==0.1.99，重新安装该模块：

pip install sentencepiece==0.1.99

重新运行demo程序，正常运行：

2.6 运行实测

·对答如流，完美。

小结

通过一个简单的趣味 Demo应用的安装调试，完成了对InternLM2-Chat-1.8B模型，从零开始的应用环境构建、部署、调试和实测，到落地应用的全过程。
经过实际测试，满足了对话类AI应用的基本要求，可以进行全面的文本类对话。
同时，还可以自动过滤不合适的话题，进行拒绝，说明该模型考虑到了合规性。
特别是可以进行语境的判断，能对逗比的问题进行相应的表情回复。这点相对于chatgpt，那种冷冰冰的回答，更有人味。我想，这才是人工智能的真正魅力所在吧？
相对于大模型的大而全，更喜欢这种小而美，小而专的轻量级模型。这种轻量级的应用，可以用普通8g显存的家用电脑来运行，未来最有可能走入寻常百姓家。朵朵小花开，妆点满庭院，对其应用前景相当看好。