文章目录
AI大模型基础环境搭建
简介
简单描述一下本文章里会教大家做的东西
1、搭建大模型基础环境
2、fastapi 封装接口 + 前端页面,做自己的语言模型
3、github地址: https://github.com/lisiqil/start-chart
搭建
- 大模型基础环境
大模型基础环境通常会依赖以下package:
- PyTorch:PyTorch是一个用于深度学习的开源库,由Facebook AI Research开发。PyTorch广泛用于自然语言处理、计算机视觉和语音识别等领域。
- torchvision:torchvision是一个用于计算机视觉任务的库,提供了图像和视频处理的各种功能。torchvision基于PyTorch构建,方便在PyTorch项目中使用。
- torchaudio:torchaudio是一个用于音频处理的库,提供了对音频信号进行处理的函数和预训练模型。。torchaudio也基于PyTorch构建,可以在PyTorch项目中轻松集成。
- CUDA:CUDA是NVIDIA开发的一种并行计算平台和API模型,用于在NVIDIA GPU上加速计算任务。它允许开发人员编写在GPU上运行的代码,从而加快计算速度。PyTorch等深度学习库通常使用CUDA来进行GPU加速。
结合所选取的大模型,参考 https://pytorch.org/get-started/previous-versions/ 选取合适的环境package组合。
- Bitsandbytes:提供高效的位操作和字节操作功能。它可以帮助开发人员更轻松地处理二进制数据和进行位级操作。
很多情况大模型所需要的服务器配额我们是无法满足的,这个时候需要bitsandbytes降低推理精度以达到降低所需显存配额的目的。
conda安装
如果确保机器只归你一个人使用可以不用安装
- 下载并安装anaconda,选择你需要的版本即可上机安装:https://repo.anaconda.com/archive/ 以Tlinux为例:下载Anaconda3-2023.07-2-Linux-x86_64.sh并执行,等待安装完成。
bash Anaconda3-2023.07-2-Linux-x86_64.sh
- 是否安装成功
# 查看conda版本
conda --version# 提示没有command,设置环境变量即可# 获取conda的安装路径# whereis condaexportPAHT=/usr/anconda/bin:$PATHsource ~/.bashrc
- conda常用命令
# 查看当前存在的虚拟环境
conda env list
# 创建虚拟环境
conda create -n envName
# 激活虚拟环境
conda activate envName
# 退出虚拟环境
conda deactivate
# 删除虚拟环境
conda remove -n envName --all# 虚拟环境中安装packge,以安装pytorch 1.13.1版本为例
conda installpytorch==1.13.1
# 更多的conda命令
conda --help
demo环境搭建
以cuda11.3为例搭建大模型运行环境。
说明,cuda11.3较为典型,在bitsandbytes中没有预先编译适配11.3的so。所以11.3的整个环境搭建具备完整环境搭建流程,适配所有cuda版本环境搭建。
# 默认情况下腾讯云服务器上镜像已经安装了nvidia驱动。# 查询显卡信息,该命令将会输出当前显卡Driver Version,CUDA Version
nvidia-smi
# print CUDA Version: 11.4, 说明当前环境适配CUDA Version <= 11.4# 下载并安装CUDA 11.3,需要注意的是:安装过程中会让你选择安装像,这里需要去除安装驱动。wget https://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.run
sudosh cuda_11.3.0_465.19.01_linux.run
# 设置环境变量,通常/usr/local/cuda-1x.x/bin,/usr/local/cuda-1x.x/lib64exportPATH=/usr/local/cuda-11.3/bin:$PATHsource ~/.bashrc
exportLD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.3/lib64
# 或者将/usr/local/cuda-11.3/lib64添加到/etc/ld.so.conf##### conda和pip安装二选一 start ##### 参考https://pytorch.org/get-started/previous-versions/# 1、conda
conda create -n starchat
conda activate starchat
conda installpytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3-c pytorch
# 2、pip
pip installtorch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113
#### conda和pip安装二选一 end ##### 安装bitsandbytes
pip install bitsandbytes
# make对应版本的bitsandbytesgit clone https://github.com/timdettmers/bitsandbytes.git
cd bitsandbytes
CUDA_VERSION=11.3make cuda11x
python setup.py installCUDA_VERSION=11.3make cuda11x_nomatmul
python setup.py install# 编译好的so通常在build/lib/bitsandbytes路径下,libbitsandbytes_cuda113.so, libbitsandbytes_cuda113_nocublaslt.so# 将这两个文件放在python/site-packages/bitsandbytes目录下# 根据服务器环境复制到对应的目录下#### start ##### 1、conda# 如conda环境中使用的python3.10cp build/lib/bitsandbytes/libbitsandbytes_cuda113.so /root/.conda/envs/starchat/lib/python3.10/site-packages/bitsandbytes/libbitsandbytes_cuda113.so
cp build/lib/bitsandbytes/libbitsandbytes_cuda113_nocublaslt.so /root/.conda/envs/starchat/lib/python3.10/site-packages/bitsandbytes/libbitsandbytes_cuda113_nocublaslt.so
# 2、非conda,使用的是python3.8cp build/lib/bitsandbytes/libbitsandbytes_cuda113.so /usr/local/lib64/python3.8/site-packages/bitsandbytes/libbitsandbytes_cuda113.so
cp build/lib/bitsandbytes/libbitsandbytes_cuda113_nocublaslt.so /usr/local/lib64/python3.8/site-packages/bitsandbytes/libbitsandbytes_cuda113_nocublaslt.so
#### end ##### 测试bitsandbytes
python -m bitsandbytes
# success print:True# 否则,这里可能存在两个缺少依赖的报错:# 1、No module named 'scipy'。解决:pip install scipy# 2、No module named 'triton.language'。解决:pip install triton# 安装完成triton后依然报错相同的错误,那么需要修改下/usr/local/lib64/python3.8/site-packages/bitsandbytes/triton/triton_util.py关于引用importlib的方式# 修改代码import importlib -> import importlib.util# 没错,我为了安装这个环境已经把bitsandbytes源码看完了# 整个环境已经搭建完成# 关于如何开启8int方式运行大模型可以参考# https://github.com/timdettmers/bitsandbytes.git
至此demo中的大模型环境已经搭建完成。
大家可以在 huggingface 或者 百度飞浆 中获取自己想要的AI模型来愉快的玩耍
关于该git项目需要注意的一些点
cd 大模型目录
pip install-r requirements.txt
# 进入python命令行
python
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
tokenizer = AutoTokenizer.from_pretrained(checkpoint, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(checkpoint, trust_remote_code=True, torch_dtype=torch.float16)
model.to(device)
inputs = tokenizer.encode('现在我是javascript工程师,需要用nextjs实现文件上传,请你给出实现方案', return_tensors="pt").to(device)
outputs = model.generate(inputs, generation_config=generation_config)
output = tokenizer.decode(outputs[0], skip_special_tokens=False).rsplit(assistant_token,1)[1].rstrip(end_token)print(output)"""
其实你会得到一个让你非常无语的答案,哈哈哈。
#1•用户登录成功后,点击头像可以进入个人中心页面。
在个人中心页面有一个上传文件的按钮,,用户点击该按钮就可以选择要上传的文件并将其显示在页面上。
import os
def upload_ file (request):
...
...
"""
遇到这种情况不要慌,并不是大模型的能力有问题。这个引入一个初学大模型的概念 prompt 就是所谓的工程提示,如果我们给出合理的提示功能标签,那么大模型可以更好的识别问题。
常见的LLM通用提示标签有
- <|system|>: 系统级提示
- <|user|>: 用户输入
- <|assistant|>:ai回答
- <|end|>:通用结束标签
那么以上问题,通过合理的 prompt 之后是:
# “<|system|>你是一个javascript工程师<|end|># <|user|>请用nextjs实现文件上传功能。<|end|>”
inputs 这里应该是:
inputs = tokenizer.encode('<|system|>你是一个javascript工程师<|end|><|user|>请用nextjs实现文件上传功能。<|end|>', return_tensors="pt").to(device)
outputs = model.generate(inputs, generation_config=generation_config)
output = tokenizer.decode(outputs[0],
skip_special_tokens=False).rsplit(assistant_token,1)[1].rstrip(end_token)print(output)
前后端封装
前后端封装相对比较简单,主要干的就是:fastapi封装应用接口、大模型输出结果用接口返回给前端页面、前端页面收集到的问题和参数通过接口调用大模型。代码已传。
有点开发经验的同学应该能看懂,该文主要是分享记录大模型基础环境的搭建,就不赘述这部分内容啦。
实现效果截图 和 一点后续的废话:
- 本人手里也没有合适跑AI模型的机器,是在腾讯云上薅了一个新用户的福利,几十块租了一星期练手。后面机器到期了所以没法发链接给读者亲身体验,不过一些步骤有截图记录,同时项目上传了github仓库,会提供git地址。跑了 starchat(语言模型) 和 clip(图像识别)两个模型。
- 套壳后的 startchat ,如图:(哈哈)
- 看一下运行时的显存(跑起来差不多用了18个G)
- 这个是完整页面,前端页面有一些可调参数
- clip 运行的情况 (clip 相对没 starchat 这么吃显存)
- 应用的 github 地址: https://github.com/lisiqil/start-chart
版权归原作者 蚕豆糯米饭 所有, 如有侵权,请联系我们删除。