书生浦语训练营2期-第二节课笔记作业

目录

一、前置准备

1.1 电脑操作系统：windows 11

1.2 前置服务安装（避免访问127.0.0.1被拒绝）

1.2.1 iis安装并重启

1.2.2 openssh安装

1.2.3 openssh服务更改为自动模式

1.2.4 书生·浦语平台 ssh配置

1.3  补充（前置服务ok仍被拒绝）

二、部署InternLM2-Chat-1.8B模型进行智能对话

2.1 配置基础环境

2.2 下载 InternLM2-Chat-1.8B 模型

2.3 运行结果

三、部署八戒-Chat-1.8B模型进行智能对话

3.1 配置基础环境

3.2 demo并运行

3.3 运行结果

四、使用 Lagent 运行 InternLM2-Chat-7B 模型

4.1 配置基础环境

4.2  使用 Lagent 运行 InternLM2-Chat-7B 模型为内核的智能体

4.3  运行结果

4.4 作业-huggingface_hub python 包下载InternLM2-Chat-7B 的 config.json 文件

 五、部署 浦语·灵笔2 模型

5.1 图文写作

5.2 图片理解

六、课程总结

6.1 课程收获

6.1.1 关于Lagent

一、前置准备

1.1 电脑操作系统：windows 11

1.2 前置服务安装（避免访问127.0.0.1被拒绝）

1.2.1 iis安装并重启

操作：控制面板----程序和功能----启用或关闭windows功能----Internet Information Services &  Internet   Information services可承载的Web核心

输入127.0.01，出现以下界面就是成功了

1.2.2 openssh安装

操作：添加可选功能----openssh

1.2.3 openssh服务更改为自动模式

操作：cmd----service.msc----openssh切换成自动方式

1.2.4 书生·浦语平台 ssh配置

（1）终端生成SSH密钥

ssh-keygen -t rsa

（2）ssh公钥复制到InternStudio

密钥放在C：\Users\Administrator/.ssh/id_rsa下，进入到目录下进行查看、复制

type id_rsa.pub

（3）点击首页的配置SSH Key，将公钥复制进去

（4）本地终端ssh连接

操作：平台点击ssh连接，复制登录命令至终端

1.3  补充（前置服务ok仍被拒绝）

1.3.1 确认是否设置隧道，端口号是ssh连接的端口号，如果要输密码就是ssh的密码，我这边跳过密码了。

ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 38894

1.3.2 确认6006端口是否被占用，占用就杀掉进程

netstat ano | findstr : 6006

 

1.3.3 防火墙是否关闭

二、部署InternLM2-Chat-1.8B模型进行智能对话

2.1 配置基础环境

conda activate demo

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

2.2 下载 InternLM2-Chat-1.8B 模型

（1）创建2个python脚本

mkdir -p /root/demo
touch /root/demo/cli_demo.py
touch /root/demo/download_mini.py
cd /root/demo

 （2）下载模型参数文件

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"

snapshot_download("Shanghai_AI_Laboratory/internlm2-chat-1_8b", 
                  cache_dir=save_dir, 
                  revision='v1.1.0')

 python /root/demo/download_mini.py

（3）下载模型（cli_demo.py）

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
model_name_or_path = "/root/models/Shanghai_AI_Laboratory/internlm2-chat-1_8b"

tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=True, device_map='cuda:0')
model = AutoModelForCausalLM.from_pretrained(model_name_or_path, trust_remote_code=True, torch_dtype=torch.bfloat16, device_map='cuda:0')
model = model.eval()

system_prompt = """You are an AI assistant whose name is InternLM (书生·浦语).
- InternLM (书生·浦语) is a conversational language model that is developed by Shanghai AI Laboratory (上海人工智能实验室). It is designed to be helpful, honest, and harmless.
- InternLM (书生·浦语) can understand and communicate fluently in the language chosen by the user such as English and 中文.
"""

messages = [(system_prompt, '')]

print("=============Welcome to InternLM chatbot, type 'exit' to exit.=============")

while True:
    input_text = input("\nUser  >>> ")
    input_text = input_text.replace(' ', '')
    if input_text == "exit":
        break

    length = 0
    for response, _ in model.stream_chat(tokenizer, input_text, messages):
        if response is not None:
            print(response[length:], flush=True, end="")
            length = len(response)

2.3 运行结果

conda activate demo
python /root/demo/cli_demo.py  

三、部署八戒-Chat-1.8B模型进行智能对话

3.1 配置基础环境

（1）进入环境并用Git获取demo

conda activate demo

cd /root/
git clone https://gitee.com/InternLM/Tutorial -b camp2
cd /root/Tutorial

3.2 demo并运行

（1）windows终端运行（38894替换成自己的端口）

ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 38894

（2）平台运行

python /root/Tutorial/helloworld/bajie_download.py

streamlit run /root/Tutorial/helloworld/bajie_chat.py --server.address 127.0.0.1 --server.port 6006

3.3 运行结果

四、使用 Lagent 运行 InternLM2-Chat-7B 模型

4.1 配置基础环境

（1）进入conda环境

conda activate demo

 （2）下载Lagent相关代码并安装

git clone https://gitee.com/internlm/lagent.git
cd /root/demo/lagent
git checkout 581d9fb8987a5d9b72bb9ebd37a95efd47d479ac
pip install -e . 

4.2  使用 Lagent 运行 InternLM2-Chat-7B 模型为内核的智能体

（1）进入lagent文件夹，设置软链接快速访问方式

cd /root/demo/lagent

ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b /root/models/internlm2-chat-7b

（2）更改模型路径

修改进入lagent/examples/internlm2_agent_web_demo_hf.py第71行

value='/root/models/internlm2-chat-7b'

（3）运行（前提：已经设置隧道。出现拒绝访问参考 1.2、1.3 章节）

streamlit run /root/demo/lagent/examples/internlm2_agent_web_demo_hf.py --server.address 127.0.0.1 --server.port 6006

 4.3  运行结果

4.4 作业-huggingface_hub python 包下载InternLM2-Chat-7B 的 config.json 文件

（1）安装huggingface_hub

pip install -U huggingface_hub

（2)创建下载脚本

（3）运行

 五、部署 浦语·灵笔2 模型

5.1 图文写作

（1）进入conda环境

conda activate demo

（2）补充环境包

pip install timm==0.4.12 sentencepiece==0.1.99 markdown2==2.4.10 xlsxwriter==3.1.2 gradio==4.13.0 modelscope==1.9.5

（3）下载 InternLM-XComposer 仓库 相关的代码资源

cd /root/demo
git clone https://gitee.com/internlm/InternLM-XComposer.git
cd /root/demo/InternLM-XComposer
git checkout f31220eddca2cf6246ee2ddf8e375a40457ff626

 （4）构造软链接

ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-7b /root/models/internlm-xcomposer2-7b
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-vl-7b /root/models/internlm-xcomposer2-vl-7b

 （5）启动 InternLM-XComposer

cd /root/demo/InternLM-XComposer
python /root/demo/InternLM-XComposer/examples/gradio_demo_composition.py  \
--code_path /root/models/internlm-xcomposer2-7b \
--private \
--num_gpus 1 \
--port 6006

（6）访问127.0.0.1：6006

 5.2 图片理解

（1）进入conda环境

（2）启动 InternLM-XComposer2-vl

cd /root/demo/InternLM-XComposer
python /root/demo/InternLM-XComposer/examples/gradio_demo_chat.py  \
--code_path /root/models/internlm-xcomposer2-vl-7b \
--private \
--num_gpus 1 \
--port 6006

 （3）访问127.0.0.1：6006

六、课程总结

6.1 课程收获

6.1.1 关于Lagent

一个轻量级的开源框架，帮助用户高效构建基于大型语言模型（LLM）的智能代理。它还提供了一些典型的工具来增强LLM的功能。

主要特点包括高效的推理引擎支持、对多种代理的支持、极简易的扩展能力以及支持多种LLM，如GPT-3.5/4、LLaMA 2和InternLM等。

Lagent的设计旨在提高扩展性和可用性，允许用户通过简单的继承和装饰来创建个性化的工具集，从而使模型到智能代理的转换只需一步操作。此外，Lagent的文档也经过了全面的升级，覆盖了完整的API文档。

Lagent支持通过简单的代码定义智能代理、动作以及与LLM的交互，使得构建智能代理变得更加直接和灵活。

当前，LLM Agent正处于实验和概念验证阶段。在实际使用中还面临着诸多挑战，如处理任务时的循环问题、记忆模块的策略问题以及因幻觉问题而错误使用工具的问题等。这些问题的解决需要LLM本身的进一步发展和Agent框架的优化。然而，围绕LLM Agent的生态正在逐渐丰富，探索Agent模型、框架以及应用的研究正在积极进行中，旨在提升Agent的能力，使其能更好地应对现实世界的复杂性。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/593594.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

八数码（bfs做法）非常详细，适合新手服用

八数码（bfs做法）非常详细，适合新手服用

题目描述： 在一个 33 的网格中，1∼8这 8 个数字和一个 x 恰好不重不漏地分布在这 33 的网格中。 例如： 1 2 3 x 4 6 7 5 8在游戏过程中，可以把 x 与其上、下、左、右四个方向之一的数字交换（如果存在）。 我…
阅读更多...
注解(Annotation)

注解(Annotation)

文章目录 1 注解概述1.1 什么是注解1.2 注解与注释1.3 注解的重要性 2 常见的Annotation作用3 三个最基本的注解3.1 Override3.2 Deprecated3.3 SuppressWarnings 4 元注解5 自定义注解的使用5.1 声明自定义注解5.2 使用自定义注解5.3 读取和处理自定义注解 6 JUnit单元测试6.1…
阅读更多...
【图论】【基环内向树】【广度优先】【深度优先】2127. 参加会议的最多员工数

【图论】【基环内向树】【广度优先】【深度优先】2127. 参加会议的最多员工数

作者推荐 视频算法专题 本文涉及知识点 图论 基环内向树 LeetCode2127. 参加会议的最多员工数 一个公司准备组织一场会议，邀请名单上有 n 位员工。公司准备了一张 圆形 的桌子，可以坐下 任意数目 的员工。 员工编号为 0 到 n - 1 。每位员工都有一位…
阅读更多...
设计模式——工厂模式01

设计模式——工厂模式01

工厂模式 定义：工厂模式是创建子类实例化对象的一种方式，屏蔽了创造工厂的内部细节。把创建对象与使用对象进行拆分，满足单一职责。如果需要向工厂中添加新商品， 只需要扩展子类再重写其工厂方法，满足开闭原则。 设计…
阅读更多...
【科研笔记】知识星球不可选择内容爬虫

【科研笔记】知识星球不可选择内容爬虫

知识星球不可选择内容爬虫 1 背景2 实现3 拓展遗留问题1 背景 针对与知识星球中，电脑打开网页不可选择复制粘贴的问题，进行爬虫处理，获取网页的内容，并保存在本地 2 实现 需要下载python，和爬虫的第三方库selenium，可以查看博客中有关selenium的内容进行回顾。当前使用…
阅读更多...
LeetCode-207. 课程表【深度优先搜索 广度优先搜索 图 拓扑排序】

LeetCode-207. 课程表【深度优先搜索 广度优先搜索 图 拓扑排序】

LeetCode-207. 课程表【深度优先搜索 广度优先搜索 图 拓扑排序】 题目描述：解题思路一：拓扑排序，检查图是否有环。有环代表不能完成，返回False。解题思路二：深度优先遍历解题思路三：广度优先搜索&#xff…
阅读更多...
Pillow教程10：设计博文的文字背景封面图，再也不担心找不到不素材了

Pillow教程10：设计博文的文字背景封面图，再也不担心找不到不素材了

---------------Pillow教程集合--------------- Python项目18：使用Pillow模块，随机生成4位数的图片验证码 Python教程93：初识Pillow模块（创建Image对象查看属性图片的保存与缩放） Pillow教程02：图片的裁…
阅读更多...
C# WPF编程-元素绑定

C# WPF编程-元素绑定

C# WPF编程-元素绑定 将元素绑定到一起绑定表达式绑定错误绑定模式代码创建绑定移除绑定使用代码检索绑定多绑定绑定更新绑定延时 绑定到非元素对象Source属性RelativeSource属性DataContent属性 数据绑定是一种关系，该关系告诉WPF从源对象提取一下信息，…
阅读更多...
JAVA八股--redis

JAVA八股--redis

JAVA八股--redis 如何保证Redis和数据库数据一致性redisson实现的分布式锁的主从一致性Redis脑裂现象及解决方案介绍I/O多路复用模型undo log 和 redo log（没掌握MyISAM 和 InnoDB 有什么区别？ 如何保证Redis和数据库数据一致性 关于异步通知中消息队列…
阅读更多...
高并发高性能接口中，异步打印并采集业务日志的实现方案

高并发高性能接口中，异步打印并采集业务日志的实现方案

一、背景 高并发接口中，为了提高接口的高性能，在需要保存审计及操作记录的时候，往往有以下常见方案： 保存到redis数据库异步保存到mysql/mongodb/es等数据库logger打印业务日志，采集与展示则交由elk模块 对于第一种…
阅读更多...
吃豆豆 经典的区间DP 好题典题

吃豆豆 经典的区间DP 好题典题

这里很巧妙的注意一点是，你最后要把所有的豆子都吃掉，所以你只要看你多增加的尽量的少就好了 然后维护一段区间，表示的是吃掉这段区间里面的所有豆子的最小代价，然后发现最后一个是左端点或者右端点 你吃一段新的区间的同时会把…
阅读更多...
设计模式总结-面向对象设计原则

设计模式总结-面向对象设计原则

面向对象设计原则 面向对象设计原则简介单一职责原则单一职责原则定义单一职责原则分析单一职责原则实例 开闭原则开闭原则定义开闭原则分析开闭原则实例 里氏代换原则里氏代换原则定义里氏代换原则分析 依赖倒转原则依赖倒转原则定义依赖倒转原则分析依赖倒转原则实例 接口隔离…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023