书生大模型实战营(第三期)-8G 显存玩转书生大模型 Demo
一、环境配置
# 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
二、Cli Demo 部署 InternLM2-Chat-1.8B 模型
创建一个目录,用于存放代码。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。
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)
接下来,我们便可以通过 python /root/demo/cli_demo.py
来启动我们的 Demo。
并让模型以“梦想与坚持”为主题写一个300字的小故事
效果如下图所示:
三、Streamlit Web Demo 部署 InternLM2-Chat-1.8B 模型
在本节中,我们将演示如何使用 Streamlit 部署 InternLM2-Chat-1.8B 模型。
我们执行如下代码来把本教程仓库 clone 到本地,以执行后续的代码。
cd /root/demo
git clone https://github.com/InternLM/Tutorial.git
然后,我们执行如下代码来启动一个 Streamlit 服务。
cd /root/demo
streamlit run /root/demo/Tutorial/tools/streamlit_demo.py --server.address 127.0.0.1 --server.port 6006
接下来,我们在本地的 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 yourport
然后将 SSH 密码复制并粘贴到 PowerShell 中,回车,即可完成端口映射。正常情况下,我们会看到如下输出:
四、LMDeploy 部署 InternLM-XComposer2-VL-1.8B 模型
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
在使用 Upload Image 上传图片后,我们输入 Instruction 后按下回车,便可以看到模型的输出。
五、LMDeploy 部署 InternVL2-2B 模型
我们可以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
在完成端口映射后,我们便可以通过浏览器访问 http://localhost:6006
来启动我们的 Demo。
在使用 Upload Image 上传图片后,我们输入 Instruction 后按下回车,便可以看到模型的输出。
可以看到InternVL2-2B 模型对于图片的描述更为精确。
InternVL2-2B可以准确地描述出图片中为“一只可爱的牧羊犬,它正在一片黄色的花田中玩耍。牧羊犬全身是黑白相间的毛色,前半部分是黑色,后半部分是白色”,而InternLM-XComposer2-VL-1.8B将图片中的一只小狗识别为“是一只黑色和白色的狗躺在一片黄色花朵盛开的田野里”,显然InternVL2-2B模型更准确。