【AI大模型】基于ChatGLM-6b从零开始本地部署语言模型，步骤详细无坑版

news2024/11/28 18:41:32

1.什么是ChatGLM-6B

ChatGLM-6B 是的一种自然语言处理模型，属于大型生成语言模型系列的一部分。"6B"在这里指的是模型大约拥有60亿个参数，这些参数帮助模型理解和生成语言。ChatGLM-6B 特别设计用于对话任务，能够理解和生成自然、流畅的对话文本。这个模型通过大量的文本数据进行训练，学习如何预测和生成语言中的下一个词，从而能够参与到各种对话场景中。它可以用于多种应用，比如聊天机器人、自动回复系统和其他需要语言理解的技术中，ChatGLM-6B 的能力取决于它的训练数据和具体的实现方式，通常能够处理复杂的语言任务，提供有用和合理的回复。
😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

##### 2.开源仓库

ChatGLM的github地址如下
- https://github.com/THUDM/ChatGLM-6B
- 有非常详细的文档介绍
在这里插入图片描述

2.1硬件要求

在这里插入图片描述

3.模型运行环境搭建

python环境
- 建议使用Anaconda方便对管理相关的库进行python环境的隔离
- 版本要求：为了避免一些千奇百怪的兼容错误，版本要求大于3.10
conda创建虚拟环境
- conda create -n chatglm-6b python==3.10.4
- conda activate chatglm-6b
在这里插入图片描述
- ChatGLM-6B代码下载
  - 使用git命令进行代码拉取
  - git clone https://github.com/THUDM/ChatGLM-6B.git
  - 进入到下载好的文件目录，下载相关依赖
  - pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
  - pip install -i https://pypi.tuna.tsinghua.edu.cn/simple streamlit
  - pip install -i https://pypi.tuna.tsinghua.edu.cn/simple streamlit-chat
  - 环境隔离之后，这里的版本不影响其他项目的依赖版本，这里需要注意，每一个版本严格按照要求下载，否则容易出错

4. 模型下载

代码由 transformers 自动下载模型实现和参数。完整的模型实现可以在 Hugging Face Hub。如果你的网络环境较差，下载模型参数可能会花费较长时间甚至失败。此时可以先将模型下载到本地，然后从本地加载。
从 Hugging Face Hub 下载模型需要先安装Git LFS ，然后运行

代码语言：javascript

复制

git clone https://huggingface.co/THUDM/chatglm-6b

Git LFS安装 -> https://docs.github.com/zh/repositories/working-with-files/managing-large-files/installing-git-large-file-storage
将模型下载到本地之后，上代码中的 THUDM/chatglm-6b 替换为你本地的 chatglm-6b 文件夹的路径，即可从本地加载模型。

在这里插入图片描述

5.模型调用

5.1 代码调用

代码语言：javascript

复制

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True)
#model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda()
#macbook需要调用mps后端
model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().to('mps')
model = model.eval()
response, history = model.chat(tokenizer, "你好", history=[])
print(response)
你好👋!我是人工智能助手 ChatGLM-6B,很高兴见到你,欢迎问我任何问题。
如果你没有 GPU 硬件的话，也可以在 CPU 上进行推理，但是推理速度会更慢。使用方法如下（需要大概 32GB 内存）

model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).float()

#代码解释
AutoTokenizer.from_pretrained():
AutoTokenizer.from_pretrained() 方法用于加载一个预训练的tokenizer，这个tokenizer负责将文本输入转化为模型可以理解的数值形式（即tokens）。它从指定的本地路径加载tokenizer配置和数据。
参数"THUDM/chatglm-6b" 指的是tokenizer存储的目录。
trust_remote_code=True 是一个安全选项，当你信任你正在加载的代码时可以设置为True，它允许执行加载过程中可能会运行的远程或自定义代码。
AutoModel.from_pretrained():
AutoModel.from_pretrained() 方法用于加载预训练的模型。这个模型能够根据输入的tokens进行处理并输出结果。
同样地，模型是从指定的本地路径加载的。
trust_remote_code=True 允许加载自定义代码。
.half():
.half() 方法用于将模型的数据类型转换为半精度浮点数（Float16）。这通常用于减少模型在显存中占用的空间，从而可以加快计算速度，尤其是在支持半精度计算的GPU上。
.to('mps'):
.to('mps') 方法是将模型移动到一个特定的设备上运行，这里是指Apple的Metal Performance Shaders (MPS)。MPS是Apple为MacOS设备上的机器学习和深度学习提供支持的后端，可以利用Apple硬件的优势提高性能

如果你没有 GPU 硬件的话，也可以在 CPU 上进行推理，但是推理速度会更慢。使用方法如下（需要大概 32GB 内存）

代码语言：javascript

复制

model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).float()

5.2 web页面调用

运行 streamlit run web_demo2.py 可直接进行web页面的对话
或者直接运行web_demo.py文件使用 gradio
在这里插入图片描述

那么，我们该如何学习大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。