当前位置：首页 > article >正文

书生大模型实战营4

article 2025/1/31 10:21:48

文章目录

L0——入门岛
- 玩转HF/魔搭/魔乐社区
- - HF 平台
  - - 1 注册
    - 2 InternLM模型下载
    - 3 GitHub CodeSpace的使用
    - 4 Hugging Face Spaces的使用
    - 5 模型上传
  - 魔搭社区平台
  - - 简介
    - 创建开发机
    - - 环境配置
    - 下载指定多个文件
    - 上传模型
  - 魔乐社区平台
  - - 下载internlm2_5-chat-1_8b模型
    - 上传模型
  - 始智AI平台
  - - 下载llava-internlm2-7B模型
    - 上传模型

L0——入门岛

玩转HF/魔搭/魔乐社区

HF 平台

1 注册

Hugging Face 最初专注于开发聊天机器人服务。尽管他们的聊天机器人项目并未取得预期的成功，但他们在GitHub上开源的Transformers库却意外地在机器学习领域引起了巨大轰动。如今，Hugging Face已经发展成为一个拥有超过100,000个预训练模型和10,000个数据集的平台，被誉为机器学习界的GitHub。

这里需要进入Hugging Face的官网进行注册：
https://huggingface.co/
国内镜像站：
https://hf-mirror.com/

2 InternLM模型下载

在正式下载之前，我们先要介绍一下HF的Transformers库，作为HF最核心的项目，它可以：

直接使用预训练模型进行推理
提供了大量预训练模型可供使用
使用预训练模型进行迁移学习

因此在使用HF前，我们需要下载Transformers等一些常用依赖库
这里我们以internlm2_5-1_8b举例，查看Hugging Face上该模型的地址：
https://huggingface.co/internlm/internlm2_5-1_8b
https://hf-mirror.com/internlm/internlm2_5-1_8b

在这里插入图片描述

3 GitHub CodeSpace的使用

因为网络和磁盘有限的原因，强烈不建议在 InternStudio 执行机上运行，因此这里使用CodeSpace

https://github.com/codespaces 或
https://bgithub.xyz/codespaces

Github CodeSpace是Github推出的线上代码平台，提供了一系列templates，我们这里选择Jupyter Notebook进行创建环境。创建好环境后，可以进入网页版VSCode的界面，这就是CodeSpace提供给我们的在线编程环境。
在这里插入图片描述
在界面下方的终端（terminal）安装以下依赖，便于模型运行。

逐次安装以下依赖

# 安装transformers
pip install transformers==4.38
pip install sentencepiece==0.1.99
pip install einops==0.8.0
pip install protobuf==5.27.2
pip install accelerate==0.33.0

下载internlm2_5-7b-chat的配置文件

个人GitHub CodeSpace硬盘空间有限（32GB可用），而7B的模型相对较大，这里仅演示如何下载模型文件夹的特定文件。考虑到CodeSpace平台上默认的用户权限不是root权限，这里为方便演示直接在工作区创建文件，即 /workspaces/codespaces-jupyter 目录

以下载模型的配置文件为例，先新建一个hf_download_json.py 文件

touch hf_download_json.py

在这个文件中，粘贴以下代码

import os
from huggingface_hub import hf_hub_download

# 指定模型标识符
repo_id = "internlm/internlm2_5-7b"

# 指定要下载的文件列表
files_to_download = [
    {"filename": "config.json"},
    {"filename": "model.safetensors.index.json"}
]

# 创建一个目录来存放下载的文件
local_dir = f"{repo_id.split('/')[1]}"
os.makedirs(local_dir, exist_ok=True)

# 遍历文件列表并下载每个文件
for file_info in files_to_download:
    file_path = hf_hub_download(
        repo_id=repo_id,
        filename=file_info["filename"],
        local_dir=local_dir
    )
    print(f"{file_info['filename']} file downloaded to: {file_path}")

运行该文件（注意文件目录请在该文件所在目录下运行该文件）

python hf_download_json.py

可以看到，已经从Hugging Face上下载了相应配置文件
在这里插入图片描述

下载internlm2_5-chat-1_8b并打印示例输出
那么如果我们需想要下载一个完整的模型文件怎么办呢？创建一个python文件用于下载internlm2_5-1_8B模型并运行。下载速度跟网速和模型参数量大小相关联，如果网速较慢的小伙伴可以只尝试下载1.8b模型对应的config.json文件以及其他配置文件。

touch hf_download_1_8_demo.py

注意到在CodeSpace平台上是没有GPU资源的，因此我们Python代码中只使用CPU进行推理，我们需要修改跟CUDA有关的API，在hf_download_1_8_demo.py文件中粘贴以下内容：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("internlm/internlm2_5-1_8b", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("internlm/internlm2_5-1_8b", torch_dtype=torch.float16, trust_remote_code=True)
model = model.eval()

inputs = tokenizer(["A beautiful flower"], return_tensors="pt")
gen_kwargs = {
    "max_length": 128,
    "top_p": 0.8,
    "temperature": 0.8,
    "do_sample": True,
    "repetition_penalty": 1.0
}

# 以下内容可选，如果解除注释等待一段时间后可以看到模型输出
output = model.generate(**inputs, **gen_kwargs)
output = tokenizer.decode(output[0].tolist(), skip_special_tokens=True)
print(output)

运行该文件

python hf_download_1_8_demo.py

等待几分钟后，会在控制台返回模型生成的结果
在这里插入图片描述
这里以“A beautiful flower”开头，模型对其进行“续写”，InternLM的模型拥有强大的数学方面的能力。这边它输出的文本似乎是关于一个数学问题，具体是关于一个花园面积的计算。

4 Hugging Face Spaces的使用

Hugging Face Spaces 是一个允许我们轻松地托管、分享和发现基于机器学习模型的应用的平台。Spaces 使得开发者可以快速将我们的模型部署为可交互的 web 应用，且无需担心后端基础设施或部署的复杂性。

可以从首页进入
在这里插入图片描述
首先访问以下链接，进入Spaces。在右上角点击Create new Space进行创建：

https://huggingface.co/spaces 或
https://hf-mirror.com/spaces/

在创建页面中，输入项目名为intern_cobuild，并选择Static应用进行创建。
在这里插入图片描述
创建成功后会自动跳转到一个默认的HTML页面。
创建好项目后，回到我们的CodeSpace，接着clone项目。

注意这里请替换你自己的username

cd /workspaces/codespaces-jupyter
# 请将<your_username>替换你自己的username
git clone https://huggingface.co/spaces/leishenggungun/intern_cobuild
cd /workspaces/codespaces-jupyter/intern_cobuild

在这里插入图片描述
找到该目录文件夹下的index.html文件，修改我们的html代码

<!doctype html>
<html>
<head>
  <meta charset="utf-8" />
  <meta name="viewport" content="width=device-width" />
  <title>My static Space</title>
  <style>
    html, body {
      margin: 0;
      padding: 0;
      height: 100%;
    }
    body {
      display: flex;
      justify-content: center;
      align-items: center;
    }
    iframe {
      width: 430px;
      height: 932px;
      border: none;
    }
  </style>
</head>
<body>
  <iframe src="https://colearn.intern-ai.org.cn/cobuild" title="description"></iframe>
</body>
</html>

保存后就可以push到远程仓库上了，它会自动更新页面。

git add .
git commit -m "update: colearn page"
git push

当push报错时，需要进行如下处理：
在这里插入图片描述
在 hugginface 中进入到profile页面，选择 access token。

创建一个 write 类型的token。

弹出生成的token界面，需要复制后进行保存，因为之后再也看不到全部内容。在上传时输入token，即可上传成功。

再次进入Space界面，就可以看到我们实战营的共建活动捏~
在这里插入图片描述

5 模型上传

通过CLI上传 Hugging Face同样是跟Git相关联，通常大模型的模型文件都比较大，因此我们需要安装git lfs，对大文件系统支持。

curl -s https://packagecloud.io/install/repositories/github/git-lfs/script.deb.sh | sudo bash
sudo apt-get install git-lfs # CodeSpace里面可能会有aptkey冲突且没有足够权限
git lfs install # 直接在git环境下配置git LFS
pip install huggingface_hub

在CodeSpace里面，使用如下命令

git config --global credential.helper store
huggingface-cli login

命令进行登录，这时需要输入刚刚的token
在这里插入图片描述
创建项目

cd /workspaces/codespaces-jupyter

#intern_study_L0_4就是model_name
huggingface-cli repo create intern_study_L0_4

# 克隆到本地 your_huggingface_name 注意替换成你自己的
git clone https://huggingface.co/{your_huggingface_name}/intern_study_L0_4

在这里插入图片描述
克隆好之后，刷新文件目录可以看到克隆好的intern_study_L0_4文件夹。

我们可以把训练好的模型保存进里面，这里考虑到网速问题，只上传我们刚刚下载好的config.json，把它复制粘贴进这个文件夹里面.

cd intern_study_L0_4
cp ../internlm2_5-7b/config.json .

写一个README.md文件，粘贴以下内容：
touch README.md

# 书生浦语大模型实战营camp4
- hugging face模型上传测试
- 更多内容请访问 https://github.com/InternLM/Tutorial/tree/camp4

现在可以用git提交到远程仓库

git add .
git commit -m "add:intern_study_L0_4"
git push

在这里插入图片描述
现在可以在Hugging Face的个人profile里面看到这个model，也可以直接将下面的Url输入到浏览器网址栏上

https://huggingface.co/leishenggungun/intern_study_L0_4

在这里插入图片描述

魔搭社区平台

简介

ModelScope 是一个“模型即服务”(MaaS)平台，由阿里巴巴集团的达摩院推出和维护。它旨在汇集来自AI社区的最先进的机器学习模型，并简化在实际应用中使用AI模型的流程。通过ModelScope，用户可以轻松地探索、推理、微调和部署各种AI模型。

注册登录ModelScope平台，进入导航栏模型库，可以搜索internlm找到相关模型（但是这也包括非官方模型），在这里我们可以搜索 internlm2_5-chat-1_8b，下载1.8b的对话模型，也类似于hugging face 一样拥有具体的详情页。

创建开发机

选择 10% 的开发机，镜像选择为 Cuda-12.2。在输入开发机名称后，点击创建开发机。
创建好开发机后，进入开发机。
在这里插入图片描述
接着在当前终端上可以输入命令了，这里可以直接粘贴以下命令。最好一行一行粘贴等每个命令跑完之后再粘贴下一行。

环境配置

为ms_demo创建一个可用的conda虚拟环境，可以和其他环境区分开来。

# 激活环境
conda activate /root/share/pre_envs/pytorch2.1.2cu12.1

# 安装 modelscope
pip install modelscope -t /root/env/maas
pip install numpy==1.26.0  -t /root/env/maas
pip install packaging -t /root/env/maas

注意：为了保证能够找到我们每次装的依赖，每次新建一个终端之后都需要配置path 如果不改变终端，配置一次就够了。

export PATH=$PATH:/root/env/maas/bin
export PYTHONPATH=/root/env/maas:$PYTHONPATH

接着创建我们的demo目录

mkdir -p /root/ms_demo

下载指定多个文件

internlm2_5-7b-chat

考虑到7B的模型文件比较大，这里我们先采用modelscope的cli工具（当然hugging face也有）来下载指定文件，在命令行输入以下命令

modelscope download \
    --model 'Shanghai_AI_Laboratory/internlm2_5-7b-chat' \
    tokenizer.json config.json model.safetensors.index.json \
    --local_dir '/root/ms_demo'

这里的输出可能会串行，不影响使用。
在这里插入图片描述

刷新一下文件目录，就能看到在ms_demo中下载了指定的json文件。

在这里插入图片描述

internlm2_5-1_8b-chat

modelscope download \
    --model 'Shanghai_AI_Laboratory/internlm2_5-1_8b-chat' \
    tokenizer.json config.json model.safetensors.index.json \
    --local_dir '/root/ms_demo'

在这里插入图片描述

上传模型

魔搭社区类似HF，也有一套创建模型的界面。不同的是，它具有审核机制，当符合它的社区规范时才会被公开。那么当上传正常的模型文件后，审核一般就会通过了。

上传文件的方法可以直接通过平台添加文件，也可以通过git下载模型后进行修改和上传文件。

#Git模型下载
git clone https://www.modelscope.cn/<your_username>/<your_model>

在平台上创建一个模型。url为：
https://www.modelscope.cn/models/xianzaijiweilai/internlm2_5-1_8b-chat

在这里插入图片描述
在通过git提交文件时，需要使用社区中的访问令牌。

在这里插入图片描述
提交成功后如下

在社区页面查看模型文件

魔乐社区平台

魔乐社区（Modelers）是一个提供多样化、开源模型的平台，旨在促进开发者和研究人员在最先进的模型和流行应用上进行协作。

下载internlm2_5-chat-1_8b模型

在执行机进行如下操作

cd /
mkdir ml_demo
cd ml_demo

然后在当前目录下载该模型

# 确保安装git-lfs 保证大文件的正常下载
apt-get install git-lfs
git lfs install
# clone 仓库
git clone https://modelers.cn/Intern/internlm2_5-1_8b-chat.git

刷新一下文件夹，即可在ml_demo中找到下载好的模型文件，文件下载完成，lfs 大文件可能会下载失败，需要重复多次，也可以单独从页面进行下载。
在这里插入图片描述
在魔乐社区中，还推荐了一个新的深度学习开发套件openMind Library，除了常用的Transforms的API，也可以探索如何使用openMind来加载模型。

# 确保按指南安装好openmind后
from openmind import AutoModel
model = AutoModel.from_pretrained("Intern/internlm2_5-1_8b-chat", trust_remote_code="True")

openMind Library是一个深度学习开发套件，通过简单易用的API支持模型预训练、微调、推理等流程。 openMind Library通过一套接口兼容PyTorch和MindSpore等主流框架，同时原生支持昇腾NPU处理器。

上传模型

在魔乐社区一般有两种方法，第一种是安装好openmid后使用openmind的API来上传文件，另一个就是用git命令来推送文件，跟一般的git工作流相类似。

创建模型
下载模型
上传模型文件
创建token及访问令牌

令牌创建好后，需要自己保存下来。
之后上传文件平台

始智AI平台

始智AI平台（wisemodel）是一个中立开放的AI开源社区，是一个提供多样化开源模型、数据集以及训练和微调的一站式平台。

下载llava-internlm2-7B模型

进入平台 https://www.wisemodel.cn 进行注册。
注册好该平台后，我们可以在创建好的InternStudio开发机下下载模型

cd /
mkdir wise_model
cd wise_model

设的账户名是username，那么可以用以下方式，下载公有仓库的模型

git lfs install
git clone https://www.wisemodel.cn/用户名/llava-internlm2-7b.git

需要注意的是，该平台无论是下载还是上传，都需要输入token信息。
在这里插入图片描述

上传模型

假设你的模型文件位于/work/my_model_dir本地目录下：

cd my_test_model  #进入同步模型仓库的目录
cp -rf /work/my_model_dir/* .  #从/work/my_model_dir本地目录把文件拷贝到模型仓库
git add -A . #执行更新git目录
git commit -m "commit message"  #合并文件并填写更新说明
git push  #将本地文件上传更新