第二节 书生·浦语大模型趣味Demo实践

环境准备

浦语大模型的开发机器支持了cuda11.7的基础环境和一些自动迁移conda配置脚本

1. 迁移conda环境命令：
   studio-conda -o internlm-base -t demo
2. 如果自己安装软件环境：

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

这一步基本上完成了torch环境的安装。如果后续自己用平台开发的话，感觉这套环境可以做个docker镜像来反复使用。

实践内容

• 实战部署InternLM2-Chat-1.8B

1. 进入虚拟环境：
   conda activate demo
2. 安装项目所需软件环境：

   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
   

3. 使用魔塔社区下载模型：

魔塔社区模型下载使用指南：下载模型使用指南

4. 使用huggingface下载模型：

   使用 Hugging Face 官方提供的 huggingface-cli 命令行工具。安装依赖:
   pip install -U huggingface_hub
   resume-download：断点续下
   local-dir：本地存储路径。
   import os
   # 下载模型
   os.system('huggingface-cli download --resume-download internlm/internlm2-chat-7b --local-dir your_path')
   

5. openXLab:
   OpenXLab 可以通过指定模型仓库的地址，以及需要下载的文件的名称，文件所需下载的位置等，直接下载模型权重文件，使用 download 函数导入模型中心的模型。

   import torch
   import os
   from transformers import AutoModelForCausalLM, AutoTokenizer, AutoModel
   base_path = './local_files'
   os.system('apt install git')
   os.system('apt install git-lfs')
   os.system(f'git clone https://code.openxlab.org.cn/Usr_name/repo_name.git {base_path}')
   os.system(f'cd {base_path} && git lfs pull')
   

• 实战进阶运行Lagent智能体Demo

1. Lagent介绍：
   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。它的整个框架图如下:
   
2. Lagent 的特性总结如下：
   • 流式输出：提供 stream_chat 接口作流式输出，本地就能演示酷炫的流式 Demo。
   • 接口统一，设计全面升级，提升拓展性，包括：
   • Model : 不论是 OpenAI API, Transformers 还是推理加速框架 LMDeploy 一网打尽，模型切换可以游刃有余；
   • Action: 简单的继承和装饰，即可打造自己个人的工具集，不论 InternLM 还是 GPT 均可适配；
   • Agent：与 Model 的输入接口保持一致，模型到智能体的蜕变只需一步，便捷各种 agent 的探索实现；文档全面升级，API 文档全覆盖。

• 实战进阶灵笔InternLM-XComposer2
  

1. 介绍XComposer2：
   浦语·灵笔2 是基于 书生·浦语2 大语言模型研发的突破性的图文多模态大模型，具有非凡的图文写作和图像理解能力，在多种应用场景表现出色，总结起来其具有：
   自由指令输入的图文写作能力：
   浦语·灵笔2 可以理解自由形式的图文指令输入，包括大纲、文章细节要求、参考图片等，为用户打造图文并貌的专属文章。生成的文章文采斐然，图文相得益彰，提供沉浸式的阅读体验。
   准确的图文问题解答能力：
   浦语·灵笔2 具有海量图文知识，可以准确的回复各种图文问答难题，在识别、感知、细节描述、视觉推理等能力上表现惊人。
   杰出的综合能力：
   浦语·灵笔2-7B 基于 书生·浦语2-7B 模型，在13项多模态评测中大幅领先同量级多模态模型，在其中6项评测中超过 GPT-4V 和 Gemini Pro。
2. 实践体验：
   主要有图文生成和图文理解两大亮点，但是根据测试，多轮重复生成图文理解时，会触发一些奇怪的解释，看来还需要进一步的优化和改进，但总体来说，internlm-xcomposer2-7b和internlm-xcomposer2-v1-7b模型的表现力还是相当不错的。