书生浦语训练营2期-第二节课笔记作业

一、前置准备

1.1 电脑操作系统：windows 11

1.2 前置服务安装（避免访问127.0.0.1被拒绝）

1.2.1 iis安装并重启

1.2.2 openssh安装

1.2.3 openssh服务更改为自动模式

1.2.4 书生·浦语平台 ssh配置

1.3 补充（前置服务ok仍被拒绝）

二、部署InternLM2-Chat-1.8B模型进行智能对话

2.1 配置基础环境

2.2 下载 InternLM2-Chat-1.8B 模型

2.3 运行结果

三、部署八戒-Chat-1.8B模型进行智能对话

3.1 配置基础环境

3.2 demo并运行

3.3 运行结果

四、使用 Lagent 运行 InternLM2-Chat-7B 模型

4.1 配置基础环境

4.2 使用 Lagent 运行 InternLM2-Chat-7B 模型为内核的智能体

4.3 运行结果

4.4 作业-huggingface_hub python 包下载InternLM2-Chat-7B 的 config.json 文件

五、部署浦语·灵笔2 模型

5.1 图文写作

5.2 图片理解

六、课程总结

6.1 课程收获

6.1.1 关于Lagent

一、前置准备

1.1 电脑操作系统：windows 11

1.2 前置服务安装（避免访问127.0.0.1被拒绝）

1.2.1 iis安装并重启

操作：控制面板----程序和功能----启用或关闭windows功能----Internet Information Services & Internet Information services可承载的Web核心

输入127.0.01，出现以下界面就是成功了

1.2.2 openssh安装

操作：添加可选功能----openssh

1.2.3 openssh服务更改为自动模式

操作：cmd----service.msc----openssh切换成自动方式

1.2.4 书生·浦语平台 ssh配置

（1）终端生成SSH密钥

ssh-keygen -t rsa

（2）ssh公钥复制到InternStudio

密钥放在C：\Users\Administrator/.ssh/id_rsa下，进入到目录下进行查看、复制

type id_rsa.pub

（3）点击首页的配置SSH Key，将公钥复制进去

（4）本地终端ssh连接

操作：平台点击ssh连接，复制登录命令至终端

1.3 补充（前置服务ok仍被拒绝）

1.3.1 确认是否设置隧道，端口号是ssh连接的端口号，如果要输密码就是ssh的密码，我这边跳过密码了。

ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 38894

1.3.2 确认6006端口是否被占用，占用就杀掉进程

netstat ano | findstr : 6006

1.3.3 防火墙是否关闭

二、部署InternLM2-Chat-1.8B模型进行智能对话

2.1 配置基础环境

conda activate demo

pip install huggingface-hub==0.17.3
pip install transformers==4.34
pip install psutil==5.9.8
pip install accelerate==0.24.1
pip install streamlit==1.32.2
pip install matplotlib==3.8.3
pip install modelscope==1.9.5
pip install sentencepiece==0.1.99

2.2 下载 `InternLM2-Chat-1.8B` 模型

（1）创建2个python脚本

mkdir -p /root/demo
touch /root/demo/cli_demo.py
touch /root/demo/download_mini.py
cd /root/demo

（2）下载模型参数文件

import os
from modelscope.hub.snapshot_download import snapshot_download

# 创建保存模型目录
os.system("mkdir /root/models")

# save_dir是模型保存到本地的目录
save_dir="/root/models"

snapshot_download("Shanghai_AI_Laboratory/internlm2-chat-1_8b",
cache_dir=save_dir,
revision='v1.1.0')

python /root/demo/download_mini.py

（3）下载模型（cli_demo.py）

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
model_name_or_path = "/root/models/Shanghai_AI_Laboratory/internlm2-chat-1_8b"

tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=True, device_map='cuda:0')
model = AutoModelForCausalLM.from_pretrained(model_name_or_path, trust_remote_code=True, torch_dtype=torch.bfloat16, device_map='cuda:0')
model = model.eval()

system_prompt = """You are an AI assistant whose name is InternLM (书生·浦语).
- InternLM (书生·浦语) is a conversational language model that is developed by Shanghai AI Laboratory (上海人工智能实验室). It is designed to be helpful, honest, and harmless.
- InternLM (书生·浦语) can understand and communicate fluently in the language chosen by the user such as English and 中文.
"""

messages = [(system_prompt, '')]

print("=============Welcome to InternLM chatbot, type 'exit' to exit.=============")

while True:
input_text = input("\nUser >>> ")
input_text = input_text.replace(' ', '')
if input_text == "exit":
break

length = 0
for response, _ in model.stream_chat(tokenizer, input_text, messages):
if response is not None:
print(response[length:], flush=True, end="")
length = len(response)

2.3 运行结果

conda activate demo
python /root/demo/cli_demo.py

三、部署八戒-Chat-1.8B模型进行智能对话

3.1 配置基础环境

（1）进入环境并用Git获取demo

conda activate demo

cd /root/
git clone https://gitee.com/InternLM/Tutorial -b camp2
cd /root/Tutorial

3.2 demo并运行

（1）windows终端运行（38894替换成自己的端口）

ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 38894

（2）平台运行

python /root/Tutorial/helloworld/bajie_download.py

streamlit run /root/Tutorial/helloworld/bajie_chat.py --server.address 127.0.0.1 --server.port 6006

3.3 运行结果

四、使用 `Lagent` 运行 `InternLM2-Chat-7B` 模型

4.1 配置基础环境

（1）进入conda环境

conda activate demo

（2）下载Lagent相关代码并安装

git clone https://gitee.com/internlm/lagent.git
cd /root/demo/lagent
git checkout 581d9fb8987a5d9b72bb9ebd37a95efd47d479ac
pip install -e .

4.2 使用 `Lagent` 运行 `InternLM2-Chat-7B` 模型为内核的智能体

（1）进入lagent文件夹，设置软链接快速访问方式

cd /root/demo/lagent

ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b /root/models/internlm2-chat-7b

（2）更改模型路径

修改进入lagent/examples/internlm2_agent_web_demo_hf.py第71行

value='/root/models/internlm2-chat-7b'

（3）运行（前提：已经设置隧道。出现拒绝访问参考 1.2、1.3 章节）

streamlit run /root/demo/lagent/examples/internlm2_agent_web_demo_hf.py --server.address 127.0.0.1 --server.port 6006

4.3 运行结果

4.4 作业-huggingface_hub python 包下载`InternLM2-Chat-7B` 的 `config.json` 文件

（1）安装huggingface_hub

pip install -U huggingface_hub

（2)创建下载脚本

（3）运行

五、部署 `浦语·灵笔2` 模型

5.1 图文写作

（1）进入conda环境

conda activate demo

（2）补充环境包

pip install timm==0.4.12 sentencepiece==0.1.99 markdown2==2.4.10 xlsxwriter==3.1.2 gradio==4.13.0 modelscope==1.9.5

（3）下载 InternLM-XComposer 仓库相关的代码资源

cd /root/demo
git clone https://gitee.com/internlm/InternLM-XComposer.git
cd /root/demo/InternLM-XComposer
git checkout f31220eddca2cf6246ee2ddf8e375a40457ff626

（4）构造软链接

ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-7b /root/models/internlm-xcomposer2-7b
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-vl-7b /root/models/internlm-xcomposer2-vl-7b

（5）启动 InternLM-XComposer

cd /root/demo/InternLM-XComposer
python /root/demo/InternLM-XComposer/examples/gradio_demo_composition.py \
--code_path /root/models/internlm-xcomposer2-7b \
--private \
--num_gpus 1 \
--port 6006

（6）访问127.0.0.1：6006

5.2 图片理解

（1）进入conda环境

（2）启动 InternLM-XComposer2-vl

cd /root/demo/InternLM-XComposer python /root/demo/InternLM-XComposer/examples/gradio_demo_chat.py \ --code_path /root/models/internlm-xcomposer2-vl-7b \ --private \ --num_gpus 1 \ --port 6006

（3）访问127.0.0.1：6006

六、课程总结

6.1 课程收获

6.1.1 关于Lagent

一个轻量级的开源框架，帮助用户高效构建基于大型语言模型（LLM）的智能代理。它还提供了一些典型的工具来增强LLM的功能。

主要特点包括高效的推理引擎支持、对多种代理的支持、极简易的扩展能力以及支持多种LLM，如GPT-3.5/4、LLaMA 2和InternLM等。

Lagent的设计旨在提高扩展性和可用性，允许用户通过简单的继承和装饰来创建个性化的工具集，从而使模型到智能代理的转换只需一步操作。此外，Lagent的文档也经过了全面的升级，覆盖了完整的API文档。

Lagent支持通过简单的代码定义智能代理、动作以及与LLM的交互，使得构建智能代理变得更加直接和灵活。

当前，LLM Agent正处于实验和概念验证阶段。在实际使用中还面临着诸多挑战，如处理任务时的循环问题、记忆模块的策略问题以及因幻觉问题而错误使用工具的问题等。这些问题的解决需要LLM本身的进一步发展和Agent框架的优化。然而，围绕LLM Agent的生态正在逐渐丰富，探索Agent模型、框架以及应用的研究正在积极进行中，旨在提升Agent的能力，使其能更好地应对现实世界的复杂性。