AI大模型基础环境搭建

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