本关任务主要包括:
- InternLM2-Chat-1.8B 模型的部署(基础任务)
- InternLM-XComposer2-VL-1.8B 模型的部署(进阶任务)
- InternVL2-2B 模型的部署(进阶任务)
1.首先来为 Demo 创建一个可用的环境。
# 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
创建一个目录,用于存放我们的代码。并创建一个 cli_demo.py
。
mkdir -p /root/demo
touch /root/demo/cli_demo.py
然后,我们将下面的代码复制到 cli_demo.py
中。
通过 python /root/demo/cli_demo.py
来启动我们的 Demo。
1-2部署 InternLM2-Chat-1.8B 模型
cd /root/demo
git clone https://github.com/InternLM/Tutorial.git
启动一个 Streamlit 服务
cd /root/demo
streamlit run /root/demo/Tutorial/tools/streamlit_demo.py --server.address 127.0.0.1 --server.port 6006
在本地的 PowerShell 中输入以下命令,将端口映射到本地。
ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 你的 ssh 端口号
然后登录页面
使用 LMDeploy 完成 InternLM-XComposer2-VL-1.8B 的部署
首先,我们激活环境并安装 LMDeploy 以及其他依赖。
conda activate demo pip install lmdeploy[all]==0.5.1 pip install timm==1.0.7
接下来,我们使用 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
运行后示意图
3.LMDeploy 部署 InternVL2-2B 模型
通过下面的命令来启动 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