首先，在InternStudio平台上创建开发机。
创建成功后点击进入开发机打开WebIDE。进入后在WebIDE的左上角有三个logo，依次表示JupyterLab、Terminal和Code Server，我们使用Terminal就行。（JupyterLab可以直接看文件夹）
首先点击左上角图标，打开Terminal
运行如下脚本创建虚拟环境：
创建虚拟环境
conda create -n langgpt python=3.10 -y
运行下面的命令，激活虚拟环境：
conda activate langgpt
之后的操作都要在这个环境下进行。激活环境后，安装必要的Python包，依次运行下面的命令：
# 安装一些必要的库
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia -y
# 安装其他依赖
pip install transformers==4.43.3
pip install streamlit==1.37.0
pip install huggingface_hub==0.24.3
pip install openai==1.37.1
pip install lmdeploy==0.5.2
如果使用intern-studio开发机，可以直接在路径/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b下找到模型
如果不使用开发机，可以从huggingface上获取模型，地址为：https://huggingface.co/internlm/internlm2-chat-1_8b
可以使用如下脚本下载模型：
from huggingface_hub import login, snapshot_download
import os
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
login(token=“your_access_token")
models = ["internlm/internlm2-chat-1_8b"]
for model in models:
try:
snapshot_download(repo_id=model,local_dir="langgpt/internlm2-chat-1_8b")
except Exception as e:
print(e)
Pass
本文使用intern-studio开发机
部署模型为OpenAI server
运行下面的命令安装必要的软件：
apt-get install tmux
由于服务需要持续运行，需要将进程维持在后台，所以这里使用tmux软件创建新的命令窗口。运行如下命令创建窗口：
tmux new -t langgpt
tmux new -t langgpt 是 Tmux（Terminal Multiplexer）命令行工具的一个命令，它的作用是在一个新的窗口中启动一个会话，并且该会话的名称为 langgpt。 具体来说： - tmux new 表示创建一个新的会话窗口。 - -t langgpt 表示给这个新的会话窗口指定一个名字 langgpt。 这个命令通常用于在终端中同时运行多个会话，可以通过不同的窗口来切换不同的任务或环境。例如，在开发过程中，你可能需要在同一个终端中同时运行编译器、编辑器和终端模拟器等多个应用，这时就可以使用 Tmux 来管理这些会话窗口。 当你执行 tmux new -t langgpt 命令后，Tmux 会创建一个新的窗口，并且将你放到这个新的窗口中，同时这个窗口的名称为 langgpt。你可以在这个窗口中执行任何命令，而不会影响其他的窗口。当你想要切换到其他的窗口时，可以使用 tmux switch-window 或者 tmux switch -t <窗口名> 命令来实现。
创建完成后，运行下面的命令进入新的命令窗口(首次创建自动进入不用再输入，之后进入的话需要运行下面的代码)：
tmux a -t langgpt
tmux a -t langgpt 是 Tmux（Terminal Multiplexer）命令行工具的另一个命令，它的作用是附加（attach）到名为 langgpt 的会话中。 具体来说： - tmux a 表示附加到一个已存在的会话窗口。 - -t langgpt 表示附加到名为 langgpt 的会话窗口。 当你执行 tmux a -t langgpt 命令后，Tmux 会将你附加到名为 langgpt 的会话窗口中，这样你就可以继续在该会话窗口中的命令行中进行操作。如果你之前已经通过 tmux new -t langgpt 命令创建了这个会话窗口，那么使用 tmux a -t langgpt 命令就可以回到这个窗口，继续之前的工作。 需要注意的是，如果你尝试附加到一个不存在的会话窗口，或者当前已经附加到了一个会话窗口，那么 Tmux 会提示你无法附加或者你已经附加到了一个会话窗口。在这种情况下，你可以使用 tmux list-sessions 命令查看当前存在的会话窗口，然后选择一个合适的会话窗口进行附加。
运行下面的命令，激活刚创建的虚拟环境：
conda activate langgpt
使用LMDeploy进行部署，参考如下命令：
CUDA_VISIBLE_DEVICES=0 lmdeploy serve api_server /share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b --server-port 23333 --api-keys internlm
服务启动完成后，可以按Ctrl+B进入tmux的控制模式，然后按D退出这个窗口返回先前的窗口.
可以用下面的python代码测试：
from openai import OpenAI
client = OpenAI(
api_key = "internlm",
base_url = "http://0.0.0.0:23333/v1"
)
response = client.chat.completions.create(
model=client.models.list().data[0].id,
messages=[
{"role": "system", "content": "请介绍一下你自己"}
]
)
print(response.choices[0].message.content)
图形化界面调用
InternLM部署完成后，可利用提供的chat_ui.py创建图形化界面，在实战营项目的tools项目中。
首先，从Github获取项目，运行如下命令：
git clone -b camp3 https://github.com/InternLM/Tutorial.git
命令解释：下载camp3分支的代码
下载完成后，运行如下命令进入项目所在的路径：
cd Tutorial/tools
进入正确路径后，运行如下脚本运行项目：
python -m streamlit run chat_ui.py
注意，下面是在本地电脑里的powershell里运行，不是在上述的terminal中运行了：
ssh -p {ssh端口，从InternStudio获取} root@ssh.intern-ai.org.cn -CNg -L 7860:127.0.0.1:8501 -o StrictHostKeyChecking=no
ssh：这是安全外壳协议的命令，用于启动一个安全会话。
-p 36356：指定连接到远程服务器的端口。默认的 SSH 端口是 22，但这里指定了 36356 作为连接端口。
root@ssh.intern-ai.org.cn：这是指定要连接的远程服务器的用户和地址。这里，用户是 root，服务器地址是 ssh.intern-ai.org.cn。
-L 7860:127.0.0.1:8501：这是本地端口转发选项。它告诉 SSH 将本地机器（客户端）的端口 7860 转发到远程服务器上的 127.0.0.1 地址的端口 8501。这意味着任何连接到本地机器端口 7860 的连接都会被转发到远程服务器上的端口 8501。
-o StrictHostKeyChecking=no：这是一个 SSH 配置选项，告诉 SSH 在连接到新的或更改过的服务器时不要进行严格的主机密钥检查。这通常用于自动化脚本，但不建议用于生产环境，因为它会降低安全性。
ssh -p 36356 root@ssh.intern-ai.org.cn -CNg -L 7860:127.0.0.1:8501 -o StrictHostKeyChecking=no
如果未配置开发机公钥，还需要输入密码，从InternStudio获取。上面这一步是将开发机上的8501(web界面占用的端口)映射到本地机器的端口，之后可以访问http://localhost:7860/
