任务
-
InternLM2-Chat-1.8B 模型的部署（基础任务）
-
InternVL2-2B 模型的部署（进阶任务）
TIPS: 官方提供了完成任务的极简教程，照着命令敲就可以了。
本文就简单介绍一下模型部署的一般步骤。
创建开发机
登录studio.intern-ai.org.cn/ 然后。。。这里就不再赘述了
环境配置
激活官方预配制好的环境，所有包依赖已经就绪
conda activate /root/share/pre_envs/icamp3_demo
创建cli_demo.py文件
mkdir -p /root/demo
touch /root/demo/cli_demo.py
贴上代码：
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)
其中2行是最基础的步骤：
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')
tokenizer用于文本输入解析，model用于读取解析后的数据，并生成响应。 入参model_name_or_path 可以是模型在huggingface上的完整名称，也可以是从huggingface下载后的本地路径，一般的大模型都会支持。device_map可以配置使用的计算设备，默认为auto，此处配置为"cuda:0"。
直接运行cli_demo.py文件:
python3 cli_demo.py
让它讲个美女与野兽的故事:
模型的回答很有语文课的特色，会自己加上“这个故事告诉我们。。。”balabala的。
从回答的内容可以看得出来，基本在乱讲。这个时候，RAG技术就显得十分有意义了，在下一关将利用RAG技术完成。
部署Streamlit的版本
首先clone代码到本地：
cd /root/demo
git clone https://github.com/InternLM/Tutorial.git
使用VScode打开/root/demo目录，在VScode的终端下执行以下命令：
streamlit run /root/demo/Tutorial/tools/streamlit_demo.py --server.address 127.0.0.1 --server.port 6006
VScode将自动映射到本地6006端口，浏览器打开127.0.0.1:6006，即可访问Streamlit版本：
同样讲美女与野兽的故事还是不太行，需要引入RAG：
LMDeploy 部署 InternVL2-2B 模型
InternVL2 是上海人工智能实验室推出的新一代视觉-语言多模态大模型，是首个综合性能媲美国际闭源商业模型的开源多模态大模型。InternVL2 系列从千亿大模型到端侧小模型全覆盖，通专融合，支持多种模态。
同样在VScode的终端下执行以下命令进行部署：
lmdeploy serve gradio /share/new_models/OpenGVLab/InternVL2-2B --cache-max-entry-count 0.1
尝试让模型解读一张图片：
不知道你们能猜出来是谁不？
