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
- 搭建
- - 大模型基础环境通常会依赖以下package：
  - conda安装
  - demo环境搭建
  - 关于该git项目需要注意的一些点
  - 前后端封装
- 实现效果截图和一点后续的废话：

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 condaexport PAHT=/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 install pytorch==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  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

：系统级提示
：用户输入
：ai回答
：通用结束标签

那么以上问题，通过合理的 prompt 之后是：

#   “你是一个javascript工程师
#       请用nextjs实现文件上传功能。”

inputs 这里应该是：

inputs = tokenizer.encode(
    '你是一个javascript工程师请用nextjs实现文件上传功能。', 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