大模型部署手记（25）Ubuntu+VisualGLM
【摘要】 大模型部署手记（25）Ubuntu+VisualGLM
1.简介：
组织机构：
模型：THUDM/VisualGLM-6B
下载：
modelscope下载：
硬件环境：暗影精灵7Plus
Ubuntu版本：18.04
内存 32G
GPU显卡：Nvidia GTX 3080 Laptop （16G）
显卡坞：NVidia GeoForce GTX4060Ti（16G）
2.代码和模型下载：
下载代码仓：
git clone https://github.com/THUDM/VisualGLM-6B
通过两条命令手工下载模型
python
from model.visualglm import VisualGLMModel
model, args = VisualGLMModel.from_pretrained('visualglm-6b')
下载进度：
坚持下来。
居然下载完了，赶紧备份到别的地方：
3.安装依赖
conda create -n visual310 python=3.10
conda activate visual310
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
检查pytorch是否支持GPU：
python
import
torch.__version__
torch.cuda.is_available()
pip install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install transformers==4.33.2
安装旧版本的transformers是为了解决：'ChatGLMTokenizer' object has no attribute 'sp_tokenizer' 这个报错问题。参考：www.bilibili.com/read/cv27049141/
4.部署验证
cd ~/VisualGLM-6B
python web_demo.py
jupyter lab --no-browser
浏览器打开：http://192.168.2.237:8888/lab
上传一张奥黛丽赫本的照片：
刷新浏览器后依次执行以下脚本：
!python -V
from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("./THUDM/visualglm-6b", trust_remote_code=True)
model = AutoModel.from_pretrained("./THUDM/visualglm-6b", trust_remote_code=True).half().cuda()
image_path = "heben1.png"
response, history = model.chat(tokenizer, image_path, "描述这张图片。", history=[])
print(response)
response, history = model.chat(tokenizer, image_path, "这张图片可能是在什么场所拍摄的？", history=history)
print(response)
VisualGLM是可以完成推理的。
看看显卡使用情况：
推理的时候在后台看看：
不过这个暂时没有实现多GPU推理，只是用到了4060Ti的显卡坞。
【声明】本内容来自华为云开发者社区博主，不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息，否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
作者其他文章
评论（0）