书生大模型实战营

已于 2025-01-14 16:14:51 修改
阅读量265 收藏 6
点赞数 3
CC 4.0 BY-SA版权
分类专栏： # 书生大模型实战营 文章标签： 人工智能
于 2024-12-31 11:39:34 首次发布
我不为代码设限，也不为知识上锁。所有内容皆可共享，所有思想都应自由流动。这里没有版权，只有对技术与真理的共同追求
本文链接：https://blog.csdn.net/weixin_46445090/article/details/144846717

书生大模型实战营-LMDeploy 量化部署进阶实践

任务要点

  • 使用结合W4A16量化与kv cache量化的internlm2_5-1_8b-chat模型封装本地API并与大模型进行一次对话，截图需包括显存占用情况与大模型回复
  • 使用Function call功能让大模型完成一次简单的"加"与"乘"函数调用，截图需包括大模型回复的工具调用情况

实践流程

环境配置
  • 开发机选择 30% A100，镜像选择为 Cuda12.2-conda。
    在这里插入图片描述

我们要运行参数量为7B的InternLM2.5，由InternLM2.5的码仓查询InternLM2.5-7b-chat的config.json文件可知，该模型的权重被存储为bfloat16格式

img

对于一个7B（70亿）参数的模型，每个参数使用16位浮点数（等于 2个 Byte）表示，则模型的权重大小约为：

7×10^9 parameters×2 Bytes/parameter=14GB

70亿个参数×每个参数占用2个字节=14GB

所以需要大于14GB的显存，选择 30%A100*1(24GB显存容量)

在终端中，让我们输入以下指令，来创建一个名为lmdeploy的conda环境，python版本为3.10，创建成功后激活环境并安装0.5.3版本的lmdeploy及相关包。

conda create -n lmdeploy  python=3.10 -y
conda activate lmdeploy
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia -y
pip install timm==1.0.8 openai==1.40.3 lmdeploy[all]==0.5.3

pip install datasets==2.19.2
InternStudio环境获取模型

为方便文件管理，我们需要一个存放模型的目录，统一放置在/root/models/目录。

运行以下命令，创建文件夹并设置开发机共享目录的软链接。

mkdir /root/models
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2_5-7b-chat /root/models
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2_5-1_8b-chat /root/models
ln -s /root/share/new_models/OpenGVLab/InternVL2-26B /root/models

此时，可以看到/root/models中会出现internlm2_5-7b-chat、internlm2_5-1_8b-chat和InternVL2-26B文件夹。

教程使用internlm2_5-7b-chat和InternVL2-26B作为演示。由于上述模型量化会消耗大量时间(约8h)，量化作业使用internlm2_5-1_8b-chat模型完成。

LMDeploy验证启动模型文件

在量化工作正式开始前，先验证一下获取的模型文件能否正常工作

进入创建好的conda环境并启动InternLM2_5-7b-chat

conda activate lmdeploy
lmdeploy chat /root/models/internlm2_5-1_8b-chat

稍待片刻，启动成功后，会显示如下
在这里插入图片描述

此时，我们可以在CLI(“命令行界面” Command Line Interface的缩写)中和InternLM2.5尽情对话了，注意输入内容完成后需要按两次回车才能够执行，以下为示例。
在这里插入图片描述
注意此时右上角InternStudio的资源监控，观察与后面量化部署的差异
当前显存占用约为23GB
在这里插入图片描述
请记住现在显存占用约23GB，先圈起来，待会要用上。

如果选择 50%A100*1 建立机器，同样运行InternLM2.5 7B模型，会发现此时显存占用为36GB。
img
由上文可知InternLM2.5 7B模型为bf16，LMDpeloy推理精度为bf16的7B模型权重需要占用14GB显存；如下图所示，lmdeploy默认设置cache-max-entry-count为0.8，即kv cache占用剩余显存的80%
在这里插入图片描述

对于24GB的显卡，即30%A100，权重占用14GB显存，剩余显存24-14=10GB，因此kv cache占用10GB*0.8=8GB，加上原来的权重14GB，总共占用14+8=22GB。

而对于40GB的显卡，即50%A100，权重占用14GB，剩余显存40-14=26GB，因此kv cache占用26GB*0.8=20.8GB，加上原来的权重14GB，总共占用34.8GB。

实际加载模型后，其他项也会占用部分显存，因此剩余显存比理论偏低，实际占用会略高于22GB和34.8GB。

再次验证：
在这里插入图片描述
根据前文的计算方法，InternLM2.5 1.8B模型同样为bf16，LMDpeloy推理精度为bf16的1.8B模型权重需要占用1.8 * 10^9 * 2Byte=3.6GB显存；lmdeploy默认设置cache-max-entry-count为0.8，即kv cache占用剩余显存的80%；此时对于24GB的显卡，即30%A100，权重占用3.6B显存，剩余显存24-3.6=20.4GB，因此kv cache占用20.4GB*0.8=16.32GB，加上原来的权重3.6GB，总共占用19.92GB
实际加载模型后，其他项也会占用部分显存，因此剩余显存比理论偏低，实际占用会略高于19.92GB.

此外，如果想要实现显存资源的监控，我们也可以新开一个终端输入如下两条指令的任意一条，查看命令输入时的显存占用情况。

nvidia-smi 
or
studio-smi

注释：实验室提供的环境为虚拟化的显存，nvidia-smi是NVIDIA GPU驱动程序的一部分，用于显示NVIDIA GPU的当前状态，故当前环境只能看80GB单卡 A100 显存使用情况，无法观测虚拟化后30%或50%A100等的显存情况。针对于此，实验室提供了studio-smi 命令工具，能够观测到虚拟化后的显存使用情况。

LMDeploy与InternLM2.5
LMDeploy API部署InternLM2.5

上面是直接在本地部署InternLM2.5。实际应用中，我们有时会将大模型封装为API接口服务，供客户端访问

  • 启动API服务器
    进入创建好的conda环境，并通下命令启动API服务器，部署InternLM2.5模型：

    conda activate lmdeploy
lmdeploy serve api_server \
    /root/models/internlm2_5-7b-chat \
    --model-format hf \
    --quant-policy 0 \
    --server-name 0.0.0.0 \
    --server-port 23333 \
    --tp 1

    命令解释：

    • lmdeploy serve api_server：这个命令用于启动API服务器。
    • /root/models/internlm2_5-7b-chat：这是模型的路径。
    • –model-format hf：这个参数指定了模型的格式。hf代表“Hugging Face”格式。
    • –quant-policy 0：这个参数指定了量化策略。
    • –server-name 0.0.0.0：这个参数指定了服务器的名称。在这里，0.0.0.0是一个特殊的IP地址，它表示所有网络接口。
    • –server-port 23333：这个参数指定了服务器的端口号。在这里，23333是服务器将监听的端口号。
    • –tp 1：这个参数表示并行数量（GPU数量）。
      稍待片刻，终端显示如下
      可以看到，已经成功在本地23333端口启动了FastAPI服务在这里插入图片描述

    这一步由于部署在远程服务器上，所以本地需要做一下ssh转发才能直接访问。在你本地打开一个cmd或powershell窗口，输入命令如下：

     ssh -p 39510 root@ssh.intern-ai.org.cn -CNg -L 23333:127.0.0.1:23333 -o StrictHostKeyChecking=no

    记住，ssh 端口号请替换为自己的

    在这里插入图片描述
    经过端口转发后，浏览器访问http://127.0.0.1:23333，可看到如下界面
    在这里插入图片描述

以命令行形式连接API服务器

关闭http://127.0.0.1:23333网页，但保持终端和本地窗口不动，新建一个终端

运行如下命令，激活conda环境并启动命令行客户端

conda activate lmdeploy
lmdeploy serve api_client http://localhost:23333

稍待片刻，等出现double enter to end input >>>的输入提示即启动成功，此时便可以随意与InternLM2.5对话，同样是两下回车确定，输入exit退出。
在这里插入图片描述

以Gradio网页形式连接API服务器

保持第一个终端不动，在新建终端中输入exit退出

输入以下命令，使用Gradio作为前端，启动网页

lmdeploy serve gradio http://localhost:23333 \
    --server-name 0.0.0.0 \
    --server-port 6006

出现如下页面，说明在6666端口启动了Gradio
在这里插入图片描述

再次做一下ssh转发(因为此时端口发生了变化)
输入命令如下： 记住，ssh 端口号请替换为自己的

ssh -p 39510 root@ssh.intern-ai.org.cn -CNg -L 6006:127.0.0.1:6006 -o StrictHostKeyChecking=no

在这里插入图片描述
打开浏览器，访问地址http://127.0.0.1:6006，然后就可以与模型尽情对话了
img

LMDeploy Lite

随着模型变得越来越大，我们需要一些大模型压缩技术来降低模型部署的成本，并提升模型的推理性能。

LMDeploy 提供了权重量化和 k/v cache两种策略。

设置最大kv cache缓存大小

kv cache是一种缓存技术，通过存储键值对的形式来复用计算结果，以达到提高性能和降低内存消耗的目的。在大规模训练和推理中，kv cache可以显著减少重复计算量，从而提升模型的推理速度。理想情况下，kv cache全部存储于显存，以加快访存速度。

模型在运行时，占用的显存可大致分为三部分：模型参数本身占用的显存、kv cache占用的显存，以及中间运算结果占用的显存。

LMDeploy的kv cache管理器可以通过设置--cache-max-entry-count参数，控制kv缓存占用剩余显存的最大比例。默认的比例为0.8。

InternLM2.5正常运行时占用显存大约23G
在这里插入图片描述

执行以下命令，再来观看占用显存情况

lmdeploy chat /root/models/internlm2_5-7b-chat --cache-max-entry-count 0.4

在这里插入图片描述

可以看到减少了约4GB的显存

让我们分析一下4GB显存的减少原因：

  • 对于修改kv cache默认占用之前:

    1、在 BF16 精度下，7B模型权重占用14GB

    2、kv cache占用8GB：剩余显存24-14=10GB，kv cache默认占用80%，即10*0.8=8GB

    3、其他项1GB

    23GB=权重占用14GB+kv cache占用8GB+其它项1GB

  • 对于修改kv cache占用之后：

    1、在 BF16 精度下，7B模型权重占用14GB

    2、kv cache占用4GB：剩余显存24-14=10GB，kv cache修改为占用40%，即10*0.4=4GB

    3、其他项1GB

    故19GB=权重占用14GB+kv cache占用4GB+其它项1GB

所以此刻减少的4GB显存占用就是从10GB0.8-10GB0.4=4GB，这里计算得来。

设置在线 kv cache int4/int8 量化

自 v0.4.0 起，LMDeploy 支持在线 kv cache int4/int8 量化，量化方式为 per-head per-token 的非对称量化。此外，通过 LMDeploy 应用 kv 量化非常简单，只需要设定 quant_policy 和cache-max-entry-count参数。目前，LMDeploy 规定 quant_policy=4 表示 kv int4 量化，quant_policy=8 表示 kv int8 量化。

输入以下指令，启动API服务器

lmdeploy serve api_server \
    /root/models/internlm2_5-1_8b-chat \
    --model-format hf \
    --quant-policy 4 \
    --cache-max-entry-count 0.4\
    --server-name 0.0.0.0 \
    --server-port 23333 \
    --tp 1

稍待片刻，显示如下即代表服务启动成功
在这里插入图片描述
可以参考上面与模型进行对话，这里注意是为了观察显存占用情况
在这里插入图片描述
此时显存占用是19G左右，均因设置kv cache占用参数cache-max-entry-count至0.4而减少了8GB显存占用。

此时19GB的显存占用与设置最大kv cache缓存大小中19GB的显存占用的区别

由于都使用BF16精度下的internlm2.5 7B模型，故剩余显存均为10GB，且 cache-max-entry-count 均为0.4，这意味着LMDeploy将分配40%的剩余显存用于kv cache，即10GB*0.4=4GB。

但quant-policy 设置为4时，意味着使用int4精度进行量化。因此，LMDeploy将会使用int4精度提前开辟4GB的kv cache。

相比使用BF16精度的kv cache，int4的Cache可以在相同4GB的显存下只需要4位来存储一个数值，而BF16需要16位。这意味着int4的Cache可以存储的元素数量是BF16的四倍。

W4A16 模型量化和部署

模型量化是一种优化技术，旨在减少机器学习模型的大小并提高其推理速度。量化通过将模型的权重和激活从高精度（如16位浮点数）转换为低精度（如8位整数、4位整数、甚至二值网络）来实现。

那么W4A16又是什么意思呢？

  • W4：这通常表示权重量化为4位整数（int4）。这意味着模型中的权重参数将从它们原始的浮点表示（例如FP32、BF16或FP16，Internlm2.5精度为BF16）转换为4位的整数表示。这样做可以显著减少模型的大小
  • A16：这表示激活（或输入/输出）仍然保持在16位浮点数（例如FP16或BF16）。激活是在神经网络中传播的数据，通常在每层运算之后产生

因此，W4A16的量化配置意味着：

  • 权重被量化为4位整数
  • 激活保持为16位浮点数

在最新的版本中，LMDeploy使用的是AWQ算法，能够实现模型的4bit权重量化

  • 输入以下指令，执行量化工作。(不建议运行，在InternStudio上运行需要8小时)
    lmdeploy lite auto_awq \
   /root/models/internlm2_5-7b-chat \
  --calib-dataset 'ptb' \
  --calib-samples 128 \
  --calib-seqlen 2048 \
  --w-bits 4 \
  --w-group-size 128 \
  --batch-size 1 \
  --search-scale False \
  --work-dir /root/models/internlm2_5-7b-chat-w4a16-4bit
  • 完成作业时请使用1.8B模型进行量化：(建议运行以下命令)
    lmdeploy lite auto_awq \
   /root/models/internlm2_5-1_8b-chat \
  --calib-dataset 'ptb' \
  --calib-samples 128 \
  --calib-seqlen 2048 \
  --w-bits 4 \
  --w-group-size 128 \
  --batch-size 1 \
  --search-scale False \
  --work-dir /root/models/internlm2_5-1_8b-chat-w4a16-4bit

命令解释：

  • lmdeploy lite auto_awq: lite这是LMDeploy的命令，用于启动量化过程，而auto_awq代表自动权重量化（auto-weight-quantization）
  • /root/models/internlm2_5-7b-chat: 模型文件的路径。
  • –calib-dataset ‘ptb’: 这个参数指定了一个校准数据集，这里使用的是’ptb’（Penn Treebank，一个常用的语言模型数据集）
  • –calib-samples 128: 这指定了用于校准的样本数量—128个样本
  • –calib-seqlen 2048: 这指定了校准过程中使用的序列长度—2048
  • –w-bits 4: 这表示权重（weights）的位数将被量化为4位
  • –work-dir /root/models/internlm2_5-7b-chat-w4a16-4bit: 这是工作目录的路径，用于存储量化后的模型和中间结果

等终端输出如下时，说明正在推理中，稍待片刻
在这里插入图片描述
在这里插入图片描述
如果此处出现报错：TypeError: ‘NoneType’ object is not callable，原因是 当前版本的 datasets3.0 无法下载calibrate数据集 在命令前加一行 pip install datasets==2.19.2 可以解决

在这里插入图片描述

等待推理完成，在/root/models文件夹下便会出现我们量化后的模型模型文件。
在这里插入图片描述

量化后的模型和原本的模型区别：

  • 最明显的两点是模型文件大小以及占据显存大小。
    输入如下指令查看在当前目录中显示所有子目录的大小

    • 查看量化后模型的大小

      cd /root/models/
du -sh *

      输出结果如下(其余文件夹都是以软链接的形式存在的，不占用空间，故显示为0)
      在这里插入图片描述

    • 查看原模型大小

      cd /root/share/new_models/Shanghai_AI_Laboratory/
du -sh *

      输出结果如下
      在这里插入图片描述

  • 对比发现：

    • 原始模型大小：15G
    • 量化后模型的大小：4.9G

  • 对比显存占用情况呢
    输入以下指令启动量化后的模型。

    conda activate lmdeploy
lmdeploy chat /root/models/internlm2_5-7b-chat-w4a16-4bit/ --model-format awq

    稍待片刻，观测右上角的显存占用情况
    在这里插入图片描述
    可以发现，相比较于原先的23GB显存占用，W4A16量化后的模型少了约2GB的显存占用

  • 分析一下2GB显存的减少的原因:

    • 对于W4A16量化之前，即如1.3 LMDeploy验证启动模型文件所示直接启动模型的显存占用情况(23GB)：

      1、在 BF16 精度下，7B模型权重占用14GB：70×10^9 parameters×2 Bytes/parameter=14GB

      2、kv cache占用8GB：剩余显存24-14=10GB，kv cache默认占用80%，即10*0.8=8GB

      3、其他项1GB

      23GB=权重占用14GB+kv cache占用8GB+其它项1GB

    • 对于W4A16量化之后的显存占用情况(20.9GB)：

      1、在 int4 精度下，7B模型权重占用3.5GB：14/4=3.5GB
      注释：bfloat16是16位的浮点数格式，占用2字节（16位）的存储空间。int4是4位的整数格式，占用0.5字节（4位）的存储空间。因此，从bfloat16到int4的转换理论上可以将模型权重的大小减少到原来的1/4，即7B个int4参数仅占用3.5GB的显存。

      2、kv cache占用16.4GB：剩余显存24-3.5=20.5GB，kv cache默认占用80%，即20.5*0.8=16.4GB

      3、其他项1GB

      20.9GB=权重占用3.5GB+kv cache占用16.4GB+其它项1GB

W4A16 量化+ KV cache+KV cache 量化

输入以下指令，启用量化后的模型、并设定kv cache占用和kv cache int4量化

conda activate lmdeploy
lmdeploy serve api_server \
    /root/models/internlm2_5-7b-chat-w4a16-4bit/ \
    --model-format awq \
    --quant-policy 4 \
    --cache-max-entry-count 0.4\
    --server-name 0.0.0.0 \
    --server-port 23333 \
    --tp 1

此时显存占用约为13.5GB
在这里插入图片描述

  • 分析一下此刻的显存占用情况:
    1、在 int4 精度下，7B模型权重占用3.5GB：14/4=3.5GB

    2、kv cache占用16.4GB：剩余显存24-3.5=20.5GB，kv cache占用40%，即20.5*0.4=8.2GB

    3、其他项1.8GB

    13.5GB=权重占用3.5GB+kv cache占用8.2GB+其它项1.8GB

LMDeploy与InternVL2

本次选用InternVL2-26B进行演示，其实就根本来说作为一款VLM和上述的InternLM2.5在操作上并无本质区别，仅是多出了"图片输入"这一额外步骤。

LMDeploy Lite

InternVL2-26B需要约70+GB显存，但是为了让我们能够在30%A100上运行，需要先进行量化操作，这也是量化本身的意义所在——即降低模型部署成本

  • W4A16 模型量化和部署
    针对InternVL系列模型，让我们先进入conda环境，并输入以下指令，执行模型的量化工作。(本步骤耗时较长，请耐心等待)

    conda activate lmdeploy
lmdeploy lite auto_awq \
   /root/models/InternVL2-26B \
  --calib-dataset 'ptb' \
  --calib-samples 128 \
  --calib-seqlen 2048 \
  --w-bits 4 \
  --w-group-size 128 \
  --batch-size 1 \
  --search-scale False \
  --work-dir /root/models/InternVL2-26B-w4a16-4bit

    等终端输出如下
    在这里插入图片描述
    正在推理中
    在这里插入图片描述
    在这里插入图片描述
    这里出错了！！！
    这个错误发生在尝试保存量化后的模型时，主要原因是配置文件中找不到 ‘architectures’ 这个关键字段
    由于InternVL2-26B软链接的share目录所在的文件系统是只读的，所以无法修改目标文件，需要将整个模型文件复制到可写目录

    cp -r /root/models/InternVL2-26B /root/model/

    打开/root/model/InternVL2-26B/configuration_internvl_chat.py文件
    加入以下代码

    # 确保 llm_config 中有 'architectures' 键，避免程序崩溃 KeyError
if llm_config.get('architectures') is None:
    llm_config['architectures'] = ['LlamaForCausalLM']  # 设置默认值
    logger.info("'architectures' key is missing in llm_config. Setting default value: ['LlamaForCausalLM'].")

    在这里插入图片描述
    解决该问题后重新等待推理完成，便可以在/root/models/内看到对应的模型文件

    conda activate lmdeploy
lmdeploy lite auto_awq \
   /root/model/InternVL2-26B \
  --calib-dataset 'ptb' \
  --calib-samples 128 \
  --calib-seqlen 2048 \
  --w-bits 4 \
  --w-group-size 128 \
  --batch-size 1 \
  --search-scale False \
  --work-dir /root/models/InternVL2-26B-w4a16-4bit

  • W4A16 量化+ KV cache+KV cache 量化
    输入以下指令，让我们启用量化后的模型

    lmdeploy serve api_server \
    /root/models/InternVL2-26B-w4a16-4bit \
    --model-format awq \
    --quant-policy 4 \
    --cache-max-entry-count 0.1\
    --server-name 0.0.0.0 \
    --server-port 23333 \
    --tp 1

    启动后观测显存占用情况，此时只需要约23.8GB的显存，说明已经是一张30%A100即可部署的模型了
    在这里插入图片描述

    根据InternVL2介绍，InternVL2 26B是由一个6B的ViT、一个100M的MLP以及一个19.86B的internlm组成的。
    在这里插入图片描述

  • 分析一下显存占用情况

    • 使用A100 80GB直接启动InternVL2 26B模型的显存占用情况：
      1. 在 fp16 精度下，6BViT模型权重占用12GB：60×10^9 parameters×2 Bytes/parameter=12GB
      2. 在 fp16 精度下，19.86B≈20B的internlm模型权重占用40GB：200×10^9 parameters×2 Bytes/parameter=40GB
      3. kv cache占用22.4GB：剩余显存80-12-40=28GB，kv cache默认占用80%，即28*0.8=22.4GB
      4. 其他项
      • 总占用=Vit权重占用12GB+internlm模型权重占用40GB+kv cache占用22.4GB+其他项≥74.4G
    • 使用30%A100 24GB显存容量 联合部署的显存情况：
      1. 在 fp16 精度下，6BViT模型权重占用12GB：60×10^9 parameters×2 Bytes/parameter=12GB (ViT使用精度为fp16的pytorch推理，量化只对internlm起效果)
      2. 在 int4 精度下，19.86B≈20B的internlm模型权重占用10GB：200×10^9 parameters×0.5 Bytes/parameter=10GB
      3. kv cache占用0.2GB：剩余显存24-12-10=2GB，kv cache修改为占用10%，即2*0.1=0.2GB
      4. 其他项1.6GB
      • 23.8GB=Vit权重占用12GB+internlm模型权重占用10GB+kv cache占用0.2GB+其他项1.6GB

    如果此时推理图片，则会显示剩余显存不足，这是因为推理图片的时候pytorch会占用额外的激活显存，故需要开启50%A100进行图片推理

LMDeploy API部署InternVL2

具体封装操作与之前大同小异，仅仅在数个指令细节上作调整

通过以下命令启动API服务器，部署InternVL2模型：

conda activate lmdeploy
lmdeploy serve api_server \
    /root/models/InternVL2-26B-w4a16-4bit/ \
    --model-format awq \
    --quant-policy 4 \
    --cache-max-entry-count 0.1 \
    --server-name 0.0.0.0 \
    --server-port 23333 \
    --tp 1

其余步骤与之前内容一致

  1. 进行SSH端口转发

  2. 访问http://127.0.0.1:23333

  3. 使用命令行形式连接API服务器

  4. 使用Gradio网页形式连接API服务器

LMDeploy之FastAPI与Function call

上述均是借助FastAPI封装一个API出来让LMDeploy自行进行访问，这里我们依托于LMDeploy封装出来的API进行更加灵活更具DIY的开发

API开发

  • 输入以下指令启动API服务器

    conda activate lmdeploy
lmdeploy serve api_server \
    /root/models/internlm2_5-1_8b-chat-w4a16-4bit \
    --model-format awq \
    --cache-max-entry-count 0.4 \
    --quant-policy 4 \
    --server-name 0.0.0.0 \
    --server-port 23333 \
    --tp 1

  • 保持当前终端窗口不动，新建一个终端并新建internlm2_5.py

      touch /root/internlm2_5.py

  • 将以下内容写进internlm2_5.py

    # 导入openai模块中的OpenAI类，这个类用于与OpenAI API进行交互
from openai import OpenAI


# 创建一个OpenAI的客户端实例，需要传入API密钥和API的基础URL
client = OpenAI(
    api_key='YOUR_API_KEY',  
    # 替换为你的OpenAI API密钥，由于我们使用的本地API，无需密钥，任意填写即可
    base_url="http://0.0.0.0:23333/v1"  
    # 指定API的基础URL，这里使用了本地地址和端口
)

# 调用client.models.list()方法获取所有可用的模型，并选择第一个模型的ID
# models.list()返回一个模型列表，每个模型都有一个id属性
model_name = client.models.list().data[0].id

# 使用client.chat.completions.create()方法创建一个聊天补全请求
# 这个方法需要传入多个参数来指定请求的细节
response = client.chat.completions.create(
  model=model_name,  
  # 指定要使用的模型ID
  messages=[  
  # 定义消息列表，列表中的每个字典代表一个消息
    {"role": "system", "content": "你是一个友好的小助手，负责解决问题."},  
    # 系统消息，定义助手的行为
    {"role": "user", "content": "帮我讲述一个关于大灰狼的小故事"},  
    # 用户消息，询问时间管理的建议
  ],
    temperature=0.8,  
    # 控制生成文本的随机性，值越高生成的文本越随机
    top_p=0.8  
    # 控制生成文本的多样性，值越高生成的文本越多样
)

# 打印出API的响应结果
print(response.choices[0].message.content)

  • 在新建终端输入以下指令激活环境并运行internlm2_5.py

    conda activate lmdeploy
python /root/internlm2_5.py

  • 输出如下
    在这里插入图片描述

  • 如果遇到下面的问题
    在这里插入图片描述
    是因为安装openai包时没指定httpx包版本，httpx包进行l更新，安装了httpx 0.28.1 版本的包导致报错

    需要指定安装httpx包版本为0.27.2

    pip install httpx==0.27.2
Function call

Function call，即函数调用功能，它允许开发者在调用模型时，详细说明函数的作用，并使模型能够智能地根据用户的提问来输入参数并执行函数。完成调用后，模型会将函数的输出结果作为回答用户问题的依据。

  • 首先进入已创建好的conda环境并启动API服务器。

    conda activate lmdeploy
lmdeploy serve api_server \
/root/models/internlm2_5-7b-chat \
--model-format hf \
--quant-policy 0 \
--server-name 0.0.0.0 \
--server-port 23333 \
--tp 1

  • 目前LMDeploy在0.5.3版本中支持了对InternLM2, InternLM2.5和llama3.1这三个模型，选用internlm2_5-7b-chat模型封装API。

    输入如下指令，新建internlm2_5_func.py

    touch /root/internlm2_5_func.py

  • 将以下内容写进internlm2_5_func.py

    from openai import OpenAI


def add(a: int, b: int):
    return a + b


def mul(a: int, b: int):
    return a * b


tools = [{
    'type': 'function',
    'function': {
        'name': 'add',
        'description': 'Compute the sum of two numbers',
        'parameters': {
            'type': 'object',
            'properties': {
                'a': {
                    'type': 'int',
                    'description': 'A number',
                },
                'b': {
                    'type': 'int',
                    'description': 'A number',
                },
            },
            'required': ['a', 'b'],
        },
    }
}, {
    'type': 'function',
    'function': {
        'name': 'mul',
        'description': 'Calculate the product of two numbers',
        'parameters': {
            'type': 'object',
            'properties': {
                'a': {
                    'type': 'int',
                    'description': 'A number',
                },
                'b': {
                    'type': 'int',
                    'description': 'A number',
                },
            },
            'required': ['a', 'b'],
        },
    }
}]
messages = [{'role': 'user', 'content': 'Compute (5+5)*2'}]

client = OpenAI(api_key='YOUR_API_KEY', base_url='http://0.0.0.0:23333/v1')
model_name = client.models.list().data[0].id
response = client.chat.completions.create(
    model=model_name,
    messages=messages,
    temperature=0.8,
    top_p=0.8,
    stream=False,
    tools=tools)
print(response)
func1_name = response.choices[0].message.tool_calls[0].function.name
func1_args = response.choices[0].message.tool_calls[0].function.arguments
func1_out = eval(f'{func1_name}(**{func1_args})')
print(func1_out)

messages.append({
    'role': 'assistant',
    'content': response.choices[0].message.content
})
messages.append({
    'role': 'environment',
    'content': f'3+5={func1_out}',
    'name': 'plugin'
})
response = client.chat.completions.create(
    model=model_name,
    messages=messages,
    temperature=0.8,
    top_p=0.8,
    stream=False,
    tools=tools)
print(response)
func2_name = response.choices[0].message.tool_calls[0].function.name
func2_args = response.choices[0].message.tool_calls[0].function.arguments
func2_out = eval(f'{func2_name}(**{func2_args})')
print(func2_out)

  • 运行internlm2_5_func.py

    python /root/internlm2_5_func.py

  • 输出如下
    在这里插入图片描述

可以看出InternLM2.5将输入’Compute (5+5)*2’根据提供的function拆分成了"加"和"乘"两步，第一步调用function add实现加，再于第二步调用function mul实现乘，再最终输出结果20
Tips：在检查代码逻辑时，需要确保在 tool_calls 为 None 的情况下能够正确处理

总结

愿你走过半生，归来仍是少年。

书生大模型实战营闯关关卡五
Etherealland的博客
12-01 634
提示工程是一种通过设计和调整输入(Prompts)来改善模型性能或控制其输出结果的技术。在模型回复的过程中，首先获取用户输入的文本，然后处理文本特征并根据输入文本特征预测之后的文本，原理为next token prediction，类似我们日常使用的输入法。指令要清晰提供参考内容复杂的任务拆分成子任务给 LLM“思考”时间(给出过程)使用外部工具系统性测试变化在提示工程中，第一点给出清晰的指令是至关重要的。
书生大模型实战营第三期进阶岛第三课——LMDeploy 量化部署实践
weixin_42567071的博客
08-29 1328
我们可以看出InternLM2.5将输入’Compute (3+5)*2’根据提供的function拆分成了"加"和"乘"两步，第一步调用function add实现加，再于第二步调用function mul实现乘，再最终输出结果16.此时代表我们成功地使用本地API与大模型进行了一次对话，如果切回第一个终端窗口，会看到如下信息，这代表其成功的完成了一次用户问题GET与输出POST。新开一个窗口查看gpu占用情况，约为12G，对比默认的cache-max-entry-count 0.8 少占用了8G左右。
第五期书生大模型实战营报名啦
qq_60666264的博客
04-13 453
书生·浦语是上海人工智能实验室大模型品牌，期待和广大的社区开发者一起建设开放、繁荣、健康的大模型开源社区！本知识库已上线飞书社区，欢迎大家来玩。
第四期书生大模型实战营-Tutorial 7
Boxun111的博客
12-03 1211
Task 1: 任务要求：利用对提示词的精确设计，引导语言模型正确回答出“strawberry”中有几个字母“r”。完成正确的问答交互并提交截图作为完成凭证；直接在浦语书生上面去试，果然出错，采用思维链的方式也回答错误；以同样的方法比较科幻小说生成，对比效果；可以看到，故事具体的细节更多，变得更丰满，而且最后多了对故事的寓言性的思考，从个人英雄主义上升到人类价值观；输入同样的问题，生成效果如下，确实效果更好，更符合现实的格式，而不使用提示工程的结果类似于故事描述；这里我选择了公文写作助手以及科幻小说生成；
书生大模型实战营第四期----书生·浦语大模型开源开放体系
2301_81998532的博客
11-19 1379
一、书生·浦语大模型发展之路 二、书生·浦语2.5的发展现状 1、推理能力领先 综合推理能力领先社区开源模型,相对internLM2性能提升20%; 1) 模型能力飞轮 当前模型通过数据过滤智能评估预训练数据和指令生成辅助标注对齐数据来训练出更好模型从而促使当前模型的不断迭代更新. 2) 高质量合成数据:融合多种数据合成方案,提升合成数据质量 (1) 基于规则的数据构造 (2) 基于模型的数据扩充 (3) 基于反馈的数据生成 2、支持100万字上下文 百万字长文的理解和精确处理性能处于
书生·浦语大模型实战营
sorrowyn的博客
05-11 2116
Lagent 是一个轻量级、开源的基于大语言模型的智能体（agent）框架，支持用户快速地将一个大语言模型转变为多种类型的智能体，并提供了一些典型工具为大语言模型赋能。它的整个框架图如下:流式输出：提供 stream_chat 接口作流式输出，本地就能演示酷炫的流式 Demo。接口统一，设计全面升级，提升拓展性，包括：Model : 不论是 OpenAI API, Transformers 还是推理加速框架 LMDeploy 一网打尽，模型切换可以游刃有余；
书生大模型实战营（第3期）入门岛第2关Python基础知识
aman_he的博客
08-01 983
书生大模型实战营（第3期）入门岛第2关Python基础知识
书生大模型实战营第四期-入门岛-4. maas课程任务
lldhsds的专栏
11-26 970
使用Hugging Face平台、魔搭社区平台（可选）和魔乐社区平台（可选）下载文档中提到的模型（至少需要下载config.json文件、model.safetensors.index.json文件），请在必要的步骤以及结果当中截图。
第三期书生大模型实战营 第1关 Linux 基础知识
wux_labs的博客
07-10 1517
Hello大家好，这里是第三期书生大模型实战营，闯关地图入门岛的第1关 Linux 基础知识。我们将学会InternStudio开发机创建、配置远程连接、使用本地VSCode连接到开发机、创建脚本、创建虚拟环境、运行脚本等。让我们开始吧~
STM32传感器模块编程实践(十六)DIY人脸识别智能垃圾桶模型
光子物联
09-05 840
本文介绍了一种基于STM32单片机的人脸识别智能垃圾桶模型。该系统由STM32F103C8T6主控芯片、ASR-PRO语音交互模块、SG90舵机和人脸识别模块组成。语音模块用于验证口令，只有口令正确才能录入人脸；识别成功后舵机带动垃圾桶盖打开。控制流程包括人脸识别、语音交互和舵机驱动，通过串口指令实现人脸录入与识别。系统采用STM32CubeMX配置GPIO、PWM和串口参数，Keil5编写控制程序，最终实现人脸识别控制垃圾桶
怎么快速构建一个deep search模型呢
最新发布
qq_57565004的博客
09-05 696
本文提出了一种快速构建具备深度信息检索能力的智能体系统（DeepSearch）的方法。该方法采用分阶段开发策略：首先基于RAG架构搭建基础检索链路，再通过LangChain框架整合大语言模型和搜索引擎API，赋予系统自主规划与迭代搜索能力，最终实现多源信息整合和结构化报告生成。技术选型上强调利用开源工具（如LangChain、ChromaDB）和预训练模型，通过"思考-检索-整合-迭代"的智能体工作流，高效构建可验证原型的核心功能。
2025年09月03日最热门的开源项目(Github)
09-04 677
模型常见训练超参数介绍(1)
my java博客园
09-02 1779
【摘要】本文总结了BERT/RoBERTa模型调参的关键策略：1）训练轮数需平衡过拟合与欠拟合，NER任务通常10+轮，分类任务3-5轮，推荐使用早停机制；2）学习率建议2e-5~5e-5，过高易震荡，过低收敛慢；3）batch size需适配显存，大batch需配合高学习率；4）warmup steps设为总步数5-20%，稳定训练初期；5）weight decay建议0.01-0.1，防止过拟合。调参时应监控训练/验证损失曲线，结合任务复杂度动态调整参数组合。（149字）
机器学习基础-day03-机器学习中的线性回归
XZSSWJS的博客
09-04 932
初学小小白，个人笔记使用，仅供参考
机器学习从入门到精通 - 强化学习初探：Q-Learning到Deep Q-Network实战
THMAIL的博客
09-04 1365
本文介绍了强化学习从Q-Learning到Deep Q-Network(DQN)的进阶过程。首先阐述了强化学习的基本框架，包括Agent、Environment、State、Action和Reward的交互关系，以及马尔可夫决策过程(MDP)的核心假设。重点讲解了Q-Learning算法，详细推导了其基于贝尔曼方程的时间差分更新公式，并说明了ε-greedy策略在探索与利用之间的平衡作用。随后指出Q-Table在处理高维状态空间时的局限性，进而引入DQN解决方案。DQN采用神经网络作为函数逼近器，并依靠经验
SpringAI Alibaba Graph 流式对话
weixin_60523038的博客
09-03 421
SrpingAi Alibaba Graph实现流式对话，工作流，Graph工作流，代码工作流，流式
数据分析与挖掘工程师学习规划
peiye500238的博客
09-02 1029
一、数学与统计学基础
扩散模型原理详解：从随机噪声到图像生成的数学逻辑
GEO_geo的博客
09-02 235
摘要：扩散模型是AI绘画（如Stable Diffusion）的核心技术，通过“噪声消除”生成图像。其核心分为正向扩散（逐步添加噪声使图像变为纯噪声）和逆向扩散（从噪声逐步去噪还原图像）。数学模型上，正向过程通过马尔可夫链描述噪声叠加，逆向过程则用U-Net预测噪声并迭代去噪。训练目标是最小化预测噪声与真实噪声的误差。扩散模型优势在于训练稳定、生成多样且细节丰富，通过数学建模与深度学习的结合，实现了“从混沌中创造秩序”的AI生成能力。
AI大模型应用实战营：微调部署教程及资源
资源摘要信息:"书生浦语大模型实战营微调部署至OpenXlab.zip" 标题中的“书生浦语大模型实战营微调部署至OpenXlab”涉及到的关键知识点包括了人工智能（AI）、大模型、自然语言处理（NLP）、模型微调（Fine-tuning...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

X_taiyang18

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值