写点什么

大模型应用开发实战

  • 2024-09-02
    福建
  • 本文字数:4702 字

    阅读完需:约 15 分钟

在接触 AI 应用开发的这段时间,我以为会像以前学.net,学 java,学 vue 一样。先整个 hello world,再一步一步学搭功能,学搭框架直到搭一个系统出来。然而,理想总是很丰满,现实很骨感。在实践的过程中各种千奇百怪的问题:


  • 概念太多。你以为就 GPT、LLM?太年轻了,huggingface、transformers、torch、tokenizers、langchain、modelscope、fastapi、CUDA、cuDNN、Conda、vLLM、ResNet-50、top_p 等等等等....它们有些是工具,有些只是个库,有些甚至就是个参数名以及还有些我到现在都不知道是个啥。


  • 运行代码时,经常莫名奇妙地各种报错。以前学 vue 的时候,我以为前端的包已经够混乱了,直到开始接触 AI,没有最混只有更混。


  • 运行时间太长,且结果不确定。没有云上足够的算力和显卡,一个简单的代码运行少则 10 分钟,多则几小时,一般人是忍受不了的。就算当你历经千辛万苦程序跑完了,你会发现不太容易验证运行结果的正确性,不知道改了某个参数到底是起没起作用。


看了网上一堆 AI 开发的文章,得出两个字总结:写的都是垃圾!对,都是


在学的过程中,我就想着。等我做出个东西。一定要把这些个牛鬼蛇神给掰扯清楚。废话不多说,故事就从 hello world 说起。


工具准备


1、MiniConda 首先装这个,这个玩意有点像 docker,可以隔离多个项目的 python 环境,并且默认带有 vc++等库。为什么我把它放第一?作为一个程序员,我还是有洁癖的,开始的时候我非常不想装这玩意,直接装个 python 3.12,手动 pip install 霹雳巴拉下各种包多潇洒。直到运行一个最简单的代码缺各种依赖环境时,不但缺 python 的包,竟然还缺各种 dll,还缺 vc++运行时,当时心里各种 NMBD....然后老老实实把它装上了,一切都顺了。安装它会默认会集成 python,所以不用单独装 python。我装的版本:MiniConda3 py312_24.7.1


2、PyCharm 开发 python 的第一选择。开始我用的 vs code,调试运行各种手动命令敲烦了,还是 pycharm 按钮好使。


就先装这俩吧。


环境准备


电脑 cmd 命令提示符。设置清华的镜像,用于后面下载各种 python 的包。默认国外的镜像和.net nuget 包、java maven 库及前端 npm 包一个尿性卡的要死,只能用国内的。


python -m pip install --upgrade pippip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
复制代码


新建项目


直接 pycharm 新建一个项目,名字随便起。毕竟我们是整大模型的,不是学 python 入门的。叫 llmTest 吧!如图 1:


(图 1)


这里注意:


  • interpreter type:就是运行环境,选 custom environment。基于 conda 新建的环境名(想象成 docker 的一个实例,这个环境只对我们这个项目有效)。界面上提供了 project venv,这种方式也可以控制项目的运行环境,想了解地自行搜索,新手不能太多选择,我就喜欢用顺手的,哈哈哈!!


  • path to conda:就是工具准备里面 miniconda3 的安装路径。


模型下载


目前国内外的通用大模型可以用密密麻麻来形容,gitee 上面已经收录了 1 万多个了:https://ai.gitee.com/models 。模型下载方式很多,有直接用 git lfs 下载的、有直接下文件的,还有不直接下载运行时才加载的写代码方式。关键是这种方案还挺好使。本着新手不能太多选择,直接推最顺手的原则。我用的阿里魔塔 modelscope(注意它不是模型,不是!它只是个下载工具)。直接在 pycharm 命令终端里面执行 pip install modelscope,如图 2:


(图 2)


注意图上红框的部分。这里没有用 windows 的命令终端执行,就是保证一直用的是我们刚刚创建的 conda 环境 llmTest。防止安装包的时候,装到其他找不到的位置了。也可以看出下载的源用的是我们刚刚设置的清华镜像。

 

新建一个 app.py。编写下载代码:


#模型下载from modelscope import snapshot_downloadmodel_dir = snapshot_download('ZhipuAI/chatglm3-6b', cache_dir='D:\Transformers')
复制代码


这里我以清华智谱 ChatGLM3 模型为例,下载到 D:\Transformers。如果人品不是太差的话,运行效果如下:

(图 3)


总共有 15 个 G 左右,需要等一段时间。至此一个大模型顺利下载完毕,它的结构如下图所示,别问我里面是啥,我也看不懂:


(图 4)


模型使用


以上算是完成了全部的准备工作,作为一个有效率的打工人,马上迫不及待地想看效果了。立马码字:


from modelscope import AutoTokenizer, AutoModel, snapshot_download
model_dir = snapshot_download('ZhipuAI/chatglm3-6b', cache_dir='D:\Transformers')# model_dir ='D:\Transformers\ZhipuAI\chatglm3-6b';tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)
model = AutoModel.from_pretrained(model_dir, trust_remote_code=True).half().cpu() # 权重和计算从 32 位浮点数转换为16位
model = model.eval()response, history = model.chat(tokenizer, '你好', history=[])print(response)
复制代码


这段代码意图无比清晰,启动刚刚下载的 chatglm3-6b 模型,和它打个招呼,羞涩地问下:“你好”。先别急着运行,因为你运行肯定会报错(多么痛地领悟,该踩的坑我都踩完了😂)。先参考图 2,在 pycharm 命令终端依次执行以下安装命令,保证安装模型运行所需要的包:


conda install pytorch torchvision torchaudio cpuonly -c pytorchpip install transformers==4.40.0pip install sentencepiece
复制代码


全部安装完毕后,点击 Debug 尝试运行:


 

(图 5)


ChatGLM 会输出类似“你好!我是人工智能助手 ChatGLM3-6B,很高兴见到你,欢迎问我任何问题。”这样的回答。当然,就像文章开始说的结果不确定,你的结果和上面不一定相同。


视频我剪辑过,在我的电脑上,实际运行时间 5 分钟左右😂。至此最简单的模型应用开发完毕。


提供 API 支持


上面最简单的 Hello world 写完了,接下来就要为各种客户端提供接口服务了。.Net 有 WebAPI + IIS,java 有 spring boot+tomcat,大模型有 FastAPI+Uvicorn:FastAPI 用于构建应用的业务逻辑,Uvicorn 是运行这些应用的服务器。参考图 2,在 pycharm 命令终端依次执行以下安装命令:


pip install uvicornpip install fastapi
复制代码


把上面的代码微调一下:


import uvicornfrom fastapi import FastAPI,Bodyfrom fastapi.responses import JSONResponsefrom typing import Dictapp = FastAPI()
from modelscope import AutoTokenizer, AutoModel, snapshot_download
model_dir = snapshot_download('ZhipuAI/chatglm3-6b', cache_dir='D:\Transformers')tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)
model = AutoModel.from_pretrained(model_dir, trust_remote_code=True).half().cpu() # 权重和计算从 32 位浮点数转换为16位
@app.post("/chat")def chat(data: Dict): query = data['query'] history = data['history'] if history== "": history = [] response, history = model.chat(tokenizer, query, history=history, top_p=0.95, temperature=0.95) response = {'response':response,'history':history} return JSONResponse(content=response)
if __name__ == '__main__': uvicorn.run(app, host="127.0.0.1", port=7866)
复制代码


点击 Debug 尝试运行,即可启动一个 7866 端口的 API 服务。


(图 6)


我们用 postman 等客户端工具测试一下:


(图 7)


编写客户端


服务端有了,当然要做个漂亮的客户端,总不能一直用 postman。不得不吐槽下,大模型也搞前后端分离这套🤮!.net java 有 httprequest,js 有 jquery、axios,大模型也有个出名的库 langchain,官方的解释它提供了“链”的概念,允许开发者将多个语言模型调用、API 请求、数据处理等操作链接起来,以创建更复杂的应用流程。这里你就当它是个用来封装 http 请求的客户端吧!还是按图 2 的方式先安装:


pip install langchainpip install langchain-community
复制代码


 在工程里面新建一个文件 client.py。编写客户端代码:


 import requestsimport loggingfrom typing import Optional, List, Dict, Mapping, Anyimport langchainfrom langchain.llms.base import LLMfrom langchain.cache import InMemoryCache
logging.basicConfig(level=logging.INFO)langchain.llm_cache = InMemoryCache()

class ChatLLM(LLM): url = "http://127.0.0.1:7866/chat" history = [];
@property def _llm_type(self) -> str: return "chatglm"
def _construct_query(self, prompt: str) -> Dict: query = { "history": self.history, "query": prompt } import json query = json.dumps(query) return query
@classmethod def _post(self, url: str, query: Dict) -> Any: response = requests.post(url, data=query).json() return response
def _call(self, prompt: str, stop: Optional[List[str]] = None) -> str: query = self._construct_query(prompt=prompt) response = self._post(url=self.url, query=query) response_chat = response['response'] self.history = response['history'] return response_chat
@property def _identifying_params(self) -> Mapping[str, Any]: _param_dict = { "url": self.url } return _param_dict

if __name__ == "__main__": llm = ChatLLM() while True: user_input = input("我: ") response = llm(user_input) print(f"ChatGLM: {response}")
复制代码


执行一下,和它说个‘你好’,再问下它是谁,效果如下(再次友情提示:视频剪辑过,肯定没有这么快😀!!!):

 

(图 8)


等等,这好像还是算不上客户端!怎么着也得个应用程序 APP 之类,再不济也得有个 Web 吧!好吧,安排!为了搞大模型的人能安心研究模型,不用花精力在界面上。市场上就出现了 2 个常用的大模型 web 界面框架 Gradio Streamlit,不用去研究哪个更好,顺手就行!类似 ElementUI、AntDesign 没必要非争个你死我活的!我这里以 Gradio 为例,先安装:


pip install gradio
#如果安装gradio后ImportError: DLL load failed while importing _multiarray_umath: 找不到指定的模块。执行下面: pip install numpy==1.25.2
复制代码


 在工程里面新建一个文件 webclient.py。编写网页代码:


import gradio as grfrom client import ChatLLM #引用client.py里面我们定义的ChatLLM
llm = ChatLLM()# 流式处理def stream_translate(text): response = llm(text) for chunk in response.split(): yield chunk + " "

demo = gr.Interface(fn=stream_translate, inputs="text", outputs="text", title="ChatGLM", description="A chatbot powered by ChatGLM.")demo.launch()
复制代码


执行一下:


(图 9)


在浏览器里面打开:http://127.0.0.1:7860 就可以看到我们的客户端。这时随便问大模型几个问题吧(再次友情提示:视频剪辑过,后面那个问题 1500 多秒!):


(图 10)


到这里,入门流程介绍完毕。看的人多的话,我会继续介绍模型微调和训练,希望大家喜欢!


最后


经过无数的蹂躏,我开发了个小应用【i 歌词】,无任何条件免费提供全部源码。它基于 chatglm4-9b 大模型,从部署到训练,通用对话功能,核心根据歌名查歌词并创作歌词!用它来参加 gitee AI 创新应用大赛,可以在线体验,方便的话投个小票: https://ai.gitee.com/events/iluvatar-ai-app-contest/detail?app=36  


(图 11)


文章转载自:李玉宝

原文链接:https://www.cnblogs.com/yubaolee/p/18390767

体验地址:http://www.jnpfsoft.com/?from=infoq

用户头像

还未添加个人签名 2023-06-19 加入

还未添加个人简介

评论

发布
暂无评论
大模型应用开发实战_AI_不在线第一只蜗牛_InfoQ写作社区