简介
GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。 在语义、数学、推理、代码和知识等多方面的数据集测评中， GLM-4-9B 表现出超越 Llama-3-8B 的卓越性能。除了能进行多轮对话，GLM-4-9B-Chat 还具备网页浏览、代码执行、自定义工具调用（Function Call）和长文本推理（支持最大 128K 上下文）等高级功能。本代模型增加了多语言支持，支持包括日语，韩语，德语在内的 26 种语言。
环境配置以及模型的复现
查看服务配置信息
输入命令 studio-smi 具体效果图如下图：
从图中可以看出CUDA版本为12.2，那么需要安装的pytorch的CUDA版本不能超过12.0。
其次在服务器中 anaconda 的 base 环境中创建一个空的虚拟环境，使用的命令如下：
conda create -n GLM4 python=3.10
激活环境使用命令
conda activate GLM4
本次实验使用的CUDA是11.8版本。安装命令如下：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
下载好进行验证 torch 是否安装好,效果图如下：
环境安装完毕，从 github 下载项目，项目地址。
在github上的项目目录图如下:
使用命令：
git clone https://github.com/THUDM/GLM-4.git
下载好的目录如下：
以下内容为基础的 GLM-4-9B的使用和开发代码
- base: 在这里包含了
使用 transformers 和 VLLM 后端的交互代码
OpenAI API 后端交互代码
Batch 推理代码 - composite_demo:
在这里包含了GLM-4-9B 以及 GLM-4V-9B 开源模型的完整功能演示代码，包含了 All Tools 能力、长文档解读和多模态能力的展示。
fintune_demo: 在这里包含了
PEFT (LORA, P-Tuning) 微调代码
SFT 微调代码
本次复现base里边的transformers 代码部分。
最低硬件要求：运行官方提供的最基础代码 (transformers 后端) ，需要：Python >= 3.10，内存不少于 32 GB。运行官方提供的本文件夹的所有代码，还需要：Linux 操作系统 (Debian 系列最佳)大于 8GB 显存的，支持 CUDA 或者 ROCM 并且支持 BF16 推理的 GPU 设备 (A100以上GPU，V100，20以及更老的GPU架构不受支持)。此时切换目录到basic_demo下边，执行命令：
pip install -r requirements.txt
出现下图结果：
此时出现包冲突问题，再次执行下边命令：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
即可将冲突问题解决。使用ModelScope进行模型下载,首先安装modelscope包，使用以下命令：
pip install modelscope
然后创建down_load.py，将下面代码贴入文件中。
import os
from modelscope.hub.snapshot_download import snapshot_download
# 创建保存模型目录
# os.system("mkdir /root/models")
# save_dir是模型保存到本地的目录
save_dir="/root/models"
# modelscope上边的名字
path="ZhipuAI/glm-4-9b"
snapshot_download(path, cache_dir=save_dir)
运行python down_load.py ，即可下载。下载好文件目录如下
- 使用 transformers 后端代码
使用 Gradio 网页端与 glm-4-9b 模型进行对话:此时还需要修改trans_web_demo.py 文件,修改里边模 型加载的路径，将加载的模型指向 model 文件夹，使用模型存储的绝对路径。修改如下图所示:
运行 python trans_web_demo.py ,会出现以下错误：
根据提示安装peft包，命令为pip install peft。等待安装完成后，继续执行 python trans_web_demo.py,运行模型所需要占用达到显存所示：
此时访问运行的程序会出现这个问题，如下图随时。
根据终端输出信息，进行下载文件，移动到相应位置即可。
再次运行的效果图如下所示：
- 使用 命令行 与 glm-4-9b 模型进行对话
此时还需要修改trans_cli_demo.py 文件,修改里边模 型加载的路径，将加载的模型指向 model 文件夹，使用模型存储的绝对路径。修改如下图所示:
运行python trans_cli_demo.py即可。
- 使用 Batch 推理
此时还需要修改trans_batch_demo.py 文件,修改里边模 型加载的路径，将加载的模型指向 model 文件夹，使用模型存储的绝对路径。修改如下图所示:
运行python trans_batch_demo.py即可。
本次复现实验参考GLM4项目，具体细节可访问查看。