---

前言

一、InternLM大模型介绍

1-1、大模型简介

大模型：大模型是指在机器学习和人工智能领域中，具有大规模参数和复杂结构的模型。这些模型通常由数百万甚至数十亿、数千亿个参数组成，可以用来解决复杂的任务和问题，如自然语言处理、图像识别、语音识别等。

特点和应用场景

• 大规模参数：大模型通常具有庞大的参数量，这使得它们能够处理更加复杂的任务和问题。这些参数可以通过训练过程来学习和调整，以提高模型的性能和准确度。
• 复杂结构：大模型通常由多个神经网络层组成，这些层之间存在复杂的连接和计算关系。这种复杂结构可以帮助模型更好地理解和处理输入数据，从而提高模型的表现能力。
• 应用场景：大模型在各种领域都有广泛的应用。在自然语言处理领域，大模型可以用于机器翻译、文本生成、情感分析等任务。在图像识别领域，大模型可以用于物体检测、图像分类、人脸识别等任务。在语音识别领域，大模型可以用于语音转文字、语音合成等任务。

目前国内一些比较流行的大模型：

• 上海人工智能实验室（书生通用大模型）
• 抖音（云雀大模型）
• 智谱 AI（GLM 大模型）
• 中科院（紫东太初大模型）
• 百川智能（百川大模型）
• 商汤（日日新大模型）
• MiniMax（ABAB 大模型）

1-2、InternLM大模型简介

介绍: InternLM 是一个开源的轻量级训练框架，旨在支持模型预训练，而无需广泛的依赖关系。通过单一代码库，它支持在具有数千个 GPU 的大规模集群上进行预训练，并在单个 GPU 上进行微调，同时实现显著的性能优化。InternLM 在 1024 个 GPU 上训练期间实现了近 90% 的加速效率。下边分别介绍7B和20B的模型

1-2-1、InternLM-7B

介绍：InternLM-7B基础模型拥有70亿参数，并且有为实际场景定制的聊天模型，支持8k的上下文窗口长度。

使用开源评估工具OpenCompass对其评估结果如下：

1-2-2、InternLM-20B

介绍：在超过2.3T token的数据上进行了预训练，包括高质量英语、中文以及代码数据。chat版本还经过了SFT和RLHF训练，与7B模型相比，数据进行了更高质量的清晰，补充了更多数据，并且支持16k的上下文长度。

使用开源评估工具OpenCompass对其评估结果如下：

二、从0开始搭建InternLM-Chat-7B 智能对话 Demo

2-0、环境搭建

环境：租用autoDL，环境选torch1.11.0,ubuntu20.04，python版本为3.8，cuda版本为11.3，使用v100来进行实验。

2-1、创建虚拟环境

bash # 请每次使用 jupyter lab 打开终端时务必先执行 bash 命令进入 bash 中# 创建虚拟环境
conda create -n internlm# 激活虚拟环境
conda activate internlm

2-2、导入所需要的包

# 升级pip
python -m pip install --upgrade pippip install modelscope==1.9.5
pip install transformers==4.35.2
pip install streamlit==1.24.0
pip install sentencepiece==0.1.99
pip install accelerate==0.24.1

2-3、模型下载

概述：使用魔搭社区下载模型，使用到了snapshot_download函数，第一个参数为模型名称，参数 cache_dir 为模型的下载路径（我这里的路径在/root/model下），将下列代码写入到一个py文件中，使用命令：python 文件名 来执行下载。

import torch
from modelscope import snapshot_download, AutoModel, AutoTokenizer
import os
model_dir = snapshot_download('Shanghai_AI_Laboratory/internlm-chat-7b', cache_dir='/root/model', revision='v1.0.3')

下载图片如下：需要预留大约20G的空间。

2-4、代码克隆

# 创建目录
cd root
mkdir code# 克隆项目
cd /root/code
git clone https://gitee.com/internlm/InternLM.git

注意：克隆好项目后需要进入/root/code/InternLM/web_demo.py中，将其中的29和33行的模型替换为本地模型，我这里的路径为/root/model/Shanghai_AI_Laboratory/internlm-chat-7b

2-5、终端运行

我们可以在 /root/code/InternLM 目录下新建一个 cli_demo.py 文件，将以下代码填入其中，之后使用python命令执行脚本：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM# 填模型路径
model_name_or_path = "/root/model/Shanghai_AI_Laboratory/internlm-chat-7b"# 加载预训练的分词器、预训练的模型。
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=True)
# 
model = AutoModelForCausalLM.from_pretrained(model_name_or_path, trust_remote_code=True, torch_dtype=torch.bfloat16, device_map='auto')
# 评估模式
model = model.eval()messages = []print("=============Welcome to InternLM chatbot, type 'exit' to exit.=============")while True:input_text = input("User  >>> ")if input_text == "exit":breakresponse, history = model.chat(tokenizer, input_text, history=messages)messages.append((input_text, response))print(f"robot >>> {response}")

交互界面如下：

三、服务器接口部署

3-0、LMDeploy介绍：

LMDeploy 是一个用于压缩、部署、服务 LLM 的工具包，由 MMRazor 和 MMDeploy 团队开发。它具有以下核心功能：

• 高效推理引擎（TurboMind）：开发持久批处理（又称连续批处理）、阻塞KV缓存、动态拆分融合、张量并行、高性能CUDA内核等关键特性，确保LLM推理的高吞吐和低延迟。

• 交互式推理模式：通过在多轮对话过程中缓存注意力的k/v，引擎会记住对话历史，从而避免历史会话的重复处理。

• 量化：LMDeploy 支持多种量化方法和量化模型的高效推理。量化的可靠性已在不同尺度的模型上得到验证。

3-1、环境安装&开启学术加速

概述：先启动环境，然后安装lmdeploy部署框架以及相关依赖包。

bash # 请每次使用 jupyter lab 打开终端时务必先执行 bash 命令进入 bash 中# 激活虚拟环境
conda activate internlmpython3 -m pip install lmdeploypip install shortuuid
pip install fastapi
pip install uvicorn

在autodl上开启学术加速：帮助文档

source /etc/network_turbo

3-2、启动

lmdeploy serve api_server /root/model/Shanghai_AI_Laboratory/internlm-chat-7b --model-name internlm-chat-7b

界面如下：

3-3、映射

第一步：：点击自定义服务，下载桌面工具。如下所示：

第二步：输入SSH指令、密码、以及端口号。

第三步：点击下方的访问地址，打开fastapi界面。

3-4、请求示例

# 写python代码请求接口import requests# 定义请求URL和要发送的数据
url = 'http://localhost:23333/v1/chat/interactive'
data = {"prompt": "你好","session_id": -1,"interactive_mode": False,"stream": False,"stop": False,"request_output_len": 512,"top_p": 0.8,"top_k": 40,"temperature": 0.8,"repetition_penalty": 1,"ignore_eos": False
}# 发送POST请求
response = requests.post(url, json=data)# 获取响应数据
result = response.json()# 打印结果
print(result)

结果：

附录

1、配置本地端口（服务器端口映射到本地）

• 步骤一：本地打开命令行窗口生成公钥，全点击回车就ok（不配置密码）。

# 使用如下命令
ssh-keygen -t rsa

默认放置路径如下图所示：

• 步骤二：打开默认放置路径，复制公钥，在远程服务器上配置公钥。
  

• 步骤三：本地终端输入命令

# 6006是远程端口号（如下图所示，远程启动的端口号为6006），33447是远程ssh连接的编号，
ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 33447

如下图所示：

本地打开如下图所示：

参考文章：
词云制作网站.
轻松玩转书生·浦语大模型趣味 Demo.
InternLM-Github.

---

总结

睡到自然醒的周六✿✿ヽ(°▽°)ノ✿