全网最新版ChatGLM-6B开源模型环境详细部署及安装——如何在低显存单显卡上面安装私有ChatGPT GPT-4大语言模型

sockstack / 162 / 2023-11-07 00:01:42

ChatGPT 可用网址，仅供交流学习使用，如对您有所帮助，请收藏并推荐给需要的朋友。 <a href="https://ckai.xyz/?sockstack&section=detail" target="__blank">https://ckai.xyz</a> <article class="baidu_pl"><div id="article_content" class="article_content clearfix">
<link rel="stylesheet" href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/editerView/kdoc_html_views-1a98987dfd.css">
<link rel="stylesheet" href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/editerView/ck_htmledit_views-25cebea3f9.css">
<div id="content_views" class="markdown_views prism-atom-one-dark">
<svg xmlns="http://www.w3.org/2000/svg" style="display: none;"><path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path></svg> 
<div class="toc"> <h3>目录</h3> <ul>
<li>前言</li>
<li>
<ul>
<li>前期准备</li>
<li>
<ul>
<li>电脑要求</li>
<li>安装anaconda</li>
<li>安装相应版本的CUDA</li>
<li>配置ChatGLM-6B Conda环境</li>
<li>安装pytorch</li>
</ul> </li>
</ul> </li>
<li>ChatGLM-6B最新版模型环境部署及安装</li>
<li>
<ul>
<li>源码下载</li>
<li>模型下载</li>
<li>相关库安装</li>
<li>运行web演示</li>
<li>作为API部署</li>
</ul> </li>
<li>参考资料</li>
<li>其它资料下载</li>
</ul> 
</div> 
 
<h1>
<a id="_3"></a>前言</h1> 
ChatGPT的爆火让许多公司和个人都想要开发自己的大型语言模型，但是，由于算力和语言模型开发能力等诸多方面的限制，许多人最终都只能在开发的早期阶段止步不前。然而，近期清华大学知识工程和数据挖掘小组（Knowledge Engineering Group (KEG) &amp; Data Mining at Tsinghua University）发布了对话机器人ChatGLM-6B的开源版本，这一切都变得更加容易了。 
这个中英文语言模型拥有千亿参数规模，并且对中文进行了优化。本次开源的版本是其60亿参数的小规模版本，仅需要6GB显存就可以在本地部署。这意味着，即使是在普通显卡的电脑上，也可以轻松部署一个类似于GPT的大型语言模型。这是一个令人振奋的时刻，让我们一起期待中国版ChatGPT更多的创新和突破！ 
<img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/a00410d4cee146ba987c6bf0834f49d8.png" alt="在这里插入图片描述"> 
<table>
<thead><tr>
<th>量化等级</th>
<th>最低 GPU 显存（推理）</th>
<th>最低 GPU 显存（高效参数微调）</th>
</tr></thead>
<tbody>
<tr>
<td>FP16（无量化）</td>
<td>13 GB</td>
<td>14 GB</td>
</tr>
<tr>
<td>INT8</td>
<td>8 GB</td>
<td>9 GB</td>
</tr>
<tr>
<td>INT4</td>
<td>6 GB</td>
<td>7 GB</td>
</tr>
</tbody>
</table> 
<h2>
<a id="_17"></a>前期准备</h2> 
<h3>
<a id="_18"></a>电脑要求</h3> 
<ul>
<li>python版本要求：3.8</li>
<li>windows系统：Windows 7 or later (with C++ redistributable)</li>
<li>显卡：6G以上GPU</li>
</ul> 
<h3>
<a id="anaconda_24"></a>安装anaconda</h3> 
从anaconda官网，下载安装anaconda。具体教程详见官网教程。 <img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/a596f739ce3b41bda9369cee9dac0148.png" alt="在这里插入图片描述"> 
<h3>
<a id="CUDA_27"></a>安装相应版本的CUDA</h3> 
首先在终端查看你的Nividian版本，命令如下： 
<pre><code class="prism language-bash">nvidia-smi
</code></pre> 
<img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/9d160f7c36054aff91a6803e53479409.png" alt="在这里插入图片描述"> 查看到本机可装CUDA版本最高为12.0，版本向下兼容，意思就是CUDA 12.0及以下版本的都可以安装，但一般不建议使用最新版本的。因为可能后续其他安装包没有更新对应版本的可以下载。由于Pytorch（可以从pytorch官网）中可以看到，目前的CUDA版本一般是11.7和11.8，所以建议选择11.8版本以下的。博主这里选择了11.7进行安装。 <img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/b7ab653afe4348ab8543eea88030605f.png" alt="在这里插入图片描述"> 
安装完后，注意需要看下系统环境变量中地址有没有相应版本的cuda，比如我的电脑就是配置了下面几个环境变量 <img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/711ef2807dad486592dd96d8fd94a3c5.png" alt="在这里插入图片描述"> 除上面两个之外 ，还可以加入以下环境变量，以保证不会出错。我没配置下面两个，也没出错，所以大家根据实际情况选择是否加入下面两个环境配置。 
<blockquote> C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\CUPTI\lib64 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\include 
</blockquote> 
<blockquote> 不配置可能会报错，Could not load dynamic library ‘cudart64_110.dll’; dlerror: cudart64_110.dll not found 
</blockquote> 
<h3>
<a id="ChatGLM6B_Conda_45"></a>配置ChatGLM-6B Conda环境</h3> 
首先以管理员方式启动windows命令窗口，在搜索中输入<code>cmd</code>即可打开，输入以下命令，新建一个名字为ChatGLM的环境，并安装tensorflow-gpu版本。新建环境过程中选择y，进入下一步 
<pre><code class="prism language-bash">conda create --name ChatGLM python==3.8.10
</code></pre> 
接下来激活ChatGLM的环境 
<pre><code class="prism language-bash">conda activate ChatGLM
</code></pre> 
<h3>
<a id="pytorch_58"></a>安装pytorch</h3> 
如果电脑配置了GPU，要注意需安装GPU版本的pytorch，具体可登录官网链接： 
这里要注意选择你是什么系统，cuda是安装了什么版本（博主前面选择的是11.7），然后复制下面红框中的命令到终端就可以安装了。 
<img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/81e3621b40a6462bb71b055ecf68e3cf.png" alt="在这里插入图片描述"> 在终端运行下面命令，即可安装成功pytorch-GPU版本： 
<pre><code class="prism language-bash">conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
</code></pre> 
在终端输入<code>python</code>，然后依次输入下面代码，验证torch-GPU版本是不是成功。 
<pre><code class="prism language-bash">import torch
torch.cuda.is_available() ## 输出应该是True</code></pre> 
<img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/6af9d0a4c4514048b39d50cfb73c2fb1.png" alt="在这里插入图片描述"> 
<h1>
<a id="ChatGLM6B_78"></a>ChatGLM-6B最新版模型环境部署及安装</h1> 
<h2>
<a id="_80"></a>源码下载</h2> 
登录github官方地址下载源码或者直接使用git命令clone： 
<pre><code class="prism language-bash">git clone https://github.com/THUDM/ChatGLM-6B.git
</code></pre> 
接着在源码所在文件夹下，新建model文件夹 
<img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/99da86eb65dd4dd3b44b4ddfad71e437.png" alt="在这里插入图片描述"> 
<h2>
<a id="_89"></a>模型下载</h2> 
从hugging face下载所有文件下来，放到model文件夹内。 
其中模型文件（大于 1G 的）如果下载速度慢，可以在国内清华云源中单独下载这几个模型文件（其他这个源没有的文件还是需要在 huggingface 上下载）：https://cloud.tsinghua.edu.cn/d/fb9f16d6dc8f482596c2/ 
最后model文件夹内应该如下显示： 
<img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/bf8585fe76604c4e9dd37401cf5f2453.png" alt="在这里插入图片描述"> 
<h2>
<a id="_98"></a>相关库安装</h2> 
在终端下打开ChatGLM-6B安装的目录，然后运行下面命令，安装相关库： 
<pre><code class="prism language-bash">pip3 insta11 -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simp1e
</code></pre> 
<img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/92ee5fc0dcfe40be8ea4fd460c39d286.png" alt="在这里插入图片描述"> 
<h2>
<a id="web_107"></a>运行web演示</h2> 
在运行之前，需要先修改<code>web_demo.py</code>文件中的模型地址，具体为第5行与第6行，具体如下： <img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/0ef94b87a8b2486b8c31b0d37d51518d.png" alt="在这里插入图片描述"> 
<pre><code class="prism language-python">tokenizer = AutoTokenizer.from_pretrained("model", trust_remote_code=True)
model = AutoModel.from_pretrained("model", trust_remote_code=True).half().cuda()
</code></pre> 
温馨提示，根据实际显卡显存，可以更改第6行关于model运行方式： 
<pre><code class="prism language-python"># 6G 显存可以 4 bit 量化
model = AutoModel.from_pretrained("model", trust_remote_code=True).half().quantize(4).cuda()# 10G 显存可以 8 bit 量化
model = AutoModel.from_pretrained("model", trust_remote_code=True).half().quantize(8).cuda()# 14G 以上显存可以直接不量化，博主显存为16G选择的就是这个
model = AutoModel.from_pretrained("model", trust_remote_code=True).half().cuda()</code></pre> 
在终端输入命令，注意不要用python3，因为可能会使用到其它环境下的python。 
<pre><code class="prism language-bash">python web_demo.py
</code></pre> 
刚开始运行，需要等到1-2分钟加载本地模型： 
<img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/61a22187ea734e04a5a9be835f2689e9.png" alt="在这里插入图片描述"> 接着在浏览器打开：http://127.0.0.1:7861，就可以开始体验ChatGLM-6B了。博主体验了下，生成速度还是很快。 
<img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/87c588c18a30460baf3dcaf1cbd1e682.gif#pic_center" alt="在这里插入图片描述"> 
<img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/27a6afc0f7a4453aa7fbf18c8d47dc5b.png" alt="在这里插入图片描述"> <img referrerpolicy="no-referrer" src="https://img-blog.csdnimg.cn/379dfc63aab84a568801aaafa9e0d23b.png" alt="在这里插入图片描述"> 
<h2>
<a id="API_144"></a>作为API部署</h2> 
首先需要安装额外的依赖 
<pre><code class="prism language-bash">pip install fastapi uvicorn
</code></pre> 
然后运行仓库中的 api.py： 
<pre><code class="prism language-bash">python api.py
</code></pre> 
默认部署在本地的 8000 端口，通过 POST 方法进行调用 
<pre><code class="prism language-bash">curl -X POST "http://127.0.0.1:8000" \-H 'Content-Type: application/json' \-d '{"prompt": "你好", "history": []}'
</code></pre> 
得到的返回值为 
<pre><code class="prism language-json">{"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。","history":[["你好","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。"]],"status":200,"time":"2023-03-23 21:38:40"
}
</code></pre> 
<h1>
<a id="_176"></a>参考资料</h1> 
ChatGLM-6B 博客 ChatGLM-6B 官方github地址 
<h1>
<a id="_181"></a>其它资料下载</h1> 
如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》 这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。
</div>
<link href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/editerView/markdown_views-98b95bb57c.css" rel="stylesheet">
<link href="https://csdnimg.cn/release/blogv2/dist/mdeditor/css/style-c216769e99.css" rel="stylesheet">
</div>
<div id="treeSkill"></div>
</article>

作者

sockstack

许可协议

CC BY 4.0

发布于

2023-11-07

修改于

2024-09-16

上一篇：软件：常用 Linux 软件汇总，值得收藏下一篇：【详细教程】国内部署ChatGPT镜像网站

尚未登录

全网最新版ChatGLM-6B开源模型环境详细部署及安装——如何在低显存单显卡上面安装私有ChatGPT GPT-4大语言模型

文章分类

博客重构之路

Spring Boot简单入门

k8s 入门教程

MySQL 知识

NSQ 消息队列

ThinkPHP5 源码分析

使用 Docker 从零开始搭建私人代码仓库

日常开发汇总

标签列表

springboot

hyperf

swoole

webman

php

多线程

数据结构

docker

k8s

thinkphp

mysql

tailwindcss

flowbite

css

前端