书生·浦语大模型第二节：Demo实践

枫叶随樱花

已于 2024-04-02 22:47:48 修改

阅读量616

点赞数 22

文章标签：深度学习语言模型

于 2024-04-02 22:28:36 首次发布

本文链接：https://blog.csdn.net/weixin_46810530/article/details/137294738

版权

书生·浦语大模型第二节：Demo实践

视频链接：Demo实践视频

文档链接：教程文档

一、实践内容：

部署InternLM2-Chat-1.8B模型进行智能对话
部署实战营优秀作品 八戒-Chat-1.8B 模型
通过 InternLM2-Chat-7B 运行 Lagent 智能体 Demo
实践部署 浦语·灵笔2 模型

二、部署 InternLM2-Chat-1.8B 模型进行智能对话

2.1 配置基础环境

开发机配置教程：开发机配置教程

进入开发机后，输入命令：

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

配置conda环境后，进行环境包的安装：

conda activate demo
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

2.2 下载 InternLM2-Chat-1.8B 模型

创建demo文件夹及文件

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

点击download_mini.py 文件，输入下面代码：

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"

#下载模型
snapshot_download("Shanghai_AI_Laboratory/internlm2-chat-1_8b", 
                  cache_dir=save_dir, 
                  revision='v1.1.0')

运行文件，下载模型

2.3 运行cli_demo

点击 /root/demo/cli_demo.py 文件，复制以下代码：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

# 模型路径
model_name_or_path = "/root/models/Shanghai_AI_Laboratory/internlm2-chat-1_8b"

# 文本分词器
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=True, device_map='cuda:0')

# 加载模型
model = AutoModelForCausalLM.from_pretrained(model_name_or_path, trust_remote_code=True, torch_dtype=torch.bfloat16, device_map='cuda:0')

# 推理模式
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:
    # 用户输入
    input_text = input("\nUser  >>> ")
    input_text = input_text.replace(' ', '')
    if input_text == "exit":
        break
        
	# 预测
    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)

问题：system_prompt和messages的作用是什么？

transformers

一个用于自然语言处理（NLP）任务，如文本分类、命名实体识别，机器翻译等，提供了预训练的语言模型（如BERT、GPT）同时用于模型训练、评估和推理的工具和API的Python库。

AutoTokenizer.from_pretrained()

与其他神经网络一样，Transformer 模型不能直接处理原始文本，故使用分词器进行预处理。

使用AutoTokenizer类及其from_pretrained()方法。

例程：

from transformers import AutoTokenizer

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')

raw_input = ['你好','我是希希']

input = tokenizer(raw_input, padding = True, truncation = True, return_tensors='pt')

print(input)

=======================================输出============================================
{
 'input_ids': tensor([
    [    2,     2,     1, 77230],
    [    1, 68734, 60983, 60983]]), 
 'attention_mask': tensor([
     [0, 0, 1, 1],
     [1, 1, 1, 1]])
}

input_ids：词汇表中输入序列标记的索引，可以理解为词向量

attention_mask：0表示屏蔽，1表示未屏蔽。

在示例中，tokenizer函数的padding参数为True，意为将文本按最长的序列补齐。

问题：词向量如何进行编码？Attention_mask如何使用？

AutoModelForCausalLM.from_pretrained()

用于加载模型，有两种方式：

加载模型但不加载权重

例程：

config = AutoConfig.from_pretrained('gpt2')#加载
model = AutoModelForCausalLM.from_config(config)

加载模型同时加载权重

例程：

model = AutoModelForCausalLM.from_pretrained('gpt2')

保存文件后，运行命令python /root/demo/cli_demo.py，即可开始交互。

三、部署实战营优秀作品八戒-Chat-1.8B 模型

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。各模型链接如下：

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

3.1 配置环境

获取Demo文件

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

下载模型

python /root/Tutorial/helloworld/bajie_download.py

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。
打开 PowerShell 后，先查询端口，再根据端口键入命令。
输入命令

# 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 (自己端口号)

打开 http://127.0.0.1:6006 后，等待加载完成即可进行对话。

四、通过 InternLM2-Chat-7B运行 Lagent智能体 Demo

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。（如何理解？）
请添加图片描述

4.1 配置环境

同上述模型环境配置

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

4.2 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：

# 其他代码...
value='/root/models/internlm2-chat-7b'
# 其他代码...

请添加图片描述

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

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。
打开 PowerShell 后，先查询端口，再根据端口键入命令。
输入命令

# 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 (自己端口号)

打开 http://127.0.0.1:6006 后，等待加载完成即可进行对话。

五、实践部署浦语·灵笔2模型

5.1 环境配置

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

#下载相关代码
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

#创建软链接
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

5.2 图文写作

输入命令，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

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。
打开 PowerShell 后，先查询端口，再根据端口键入命令。
输入命令

# 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 (自己端口号)

打开 http://127.0.0.1:6006 后，等待加载完成即可进行对话。

5.3 图片理解

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 后（上传图片），等待加载完成即可进行对话。