当前位置：首页 > article >正文

MiniCPM3-4B | 笔记本电脑运行端侧大模型OpenBMB/MiniCPM3-4B-GPTQ-Int4量化版 | PyCharm环境

article 2024/9/20 3:56:47

MiniCPM3-4B，轻松在笔记本电脑上运行大模型？

- 背景
- 一、选择模型
- 二、模型下载
- 三、模型运行
- 四、总结

背景

2024年9月5日，面壁智能发布了MiniCPM3-4B，面壁的测试结果声称MiniCPM3-4B表现超越 Phi-3.5-mini-instruct 和 GPT-3.5-Turbo-0125，并且能够比肩 Llama3.1-8B-Instruct、Qwen2-7B-Instruct、GLM-4-9B-Chat 等多个 7B-9B 参数量的模型。

实践出真知，博主觉得用自己的老手提笔记本试试，看能不能也跑个大模型装一下逼。

一、选择模型

官网提供了几种下载模型的方式，经过测试还是使用ModelScope下载比较稳定，同时考虑到笔记本比较老还是下载一个小一个的，不然等下跑挂了就麻烦了。这里我们下载MiniCPM3-4B的GPTQ-Int4量化版本MiniCPM3-4B-GPTQ-Int4。

在这里插入图片描述

下载地址如下：
MiniCPM3-4B的GPTQ-Int4量化版本MiniCPM3-4B-GPTQ-Int4下载链接

二、模型下载

找到合适的模型后，我们就可以开始下载模型文件了。首先打开上面提到的网页链接，并依次点击-【模型文件】-【下载模型】，如下图所示：

在这里插入图片描述

在网页右侧弹出的下载页面中网站提供了多种形式的下载方式，博主选择使用SDK下载，下载模型比较方便，直接把代码拷贝在PyCharm里运行，程序就会自动开始下载模型。
在这里插入图片描述
我们需要先在PyCharm中新建一个python项目，并运行以下代码：

#模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('OpenBMB/MiniCPM3-4B-GPTQ-Int4')

然后等待模型下载完毕，模型大约需要2G多磁盘空间，如下图：

在这里插入图片描述

博主运行完程序后一度找不到模型文件，经过上网查阅资料，发现modelscope的下载代码，会默认把模型下载到这个系统文件地址C:\Users\Administrator\.cache\modelscope\hub，下载完毕后可以进入这个文件地址检查一下是否下载成功。如下图所示：

在这里插入图片描述
接着，我们需要把OpenBMB整个文件夹拷贝到PyCharm新建的项目根目录下，如下图所示。

在这里插入图片描述

三、模型运行

模型完成下载，并将模型文件拷贝到程序运行目录后，就可以直接开始模型的运行测试了，只需把以下代码拷贝到PyCharm运行即可。

from modelscope import AutoModelForCausalLM, AutoTokenizer
import torch

path = "OpenBMB/MiniCPM3-4B-GPTQ-Int4"
device = "cuda"

tokenizer = AutoTokenizer.from_pretrained(path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(path, torch_dtype=torch.float16, device_map=device, trust_remote_code=True)

messages = [
    {"role": "user", "content": "推荐5个北京的景点。"},
]
model_inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True).to(device)

model_outputs = model.generate(
    model_inputs,
    max_new_tokens=256,
    top_p=0.7,
    [temperature=0.7](https://blog.csdn.net/OkGogooXSailboat/article/details/137627530)
)

output_token_ids = [
    model_outputs[i][len(model_inputs[i]):] for i in range(len(model_inputs))
]

responses = tokenizer.batch_decode(output_token_ids, skip_special_tokens=True)[0]
print(responses)

如果运行的过程中出现找不到某个包，就用pip进行安装，如果提示GPU相关的问题则需要进一步检查。这里简单讲一下博主遇到的GPU问题。主要是不能直接安装默认的torch，需要通过特定地址安装笔记本GPU驱动对应版本的torch。

下图是通过特定地址安装对应CUDA版本，cu118，torth包的截图。
在这里插入图片描述
具体解决方案可以参考以下文章。
Torch not compiled with CUDA enabled问题解决过程记录

解决完各种报错后，只需要耐心等待程序执行结果即可，博主的笔记本电脑经过约3-5分钟后得出了以下结果，总算是跑通了第一个本地端侧大模型了。
在这里插入图片描述

四、总结

随着大模型的运行和推理条件越来越低，端侧大模型的应用和推广应该会非常迅速，因为端侧有大量的应用场景，特别是对数据安全要求较高的单位，同时部署端侧大模型的技术要求越来越低，工具越发齐全，博主完全是一个小白，紧紧翻阅网上资料，不到半天就调通了，可见未来工具链再升级后，端侧应该很快就会实现自动下载、更新、微调等更便于模型实用化推广的技术，加快移动终端设备端侧大模型普及。

查看全文

http://www.kler.cn/news/311337.html