streamlit run /deepseek/chatBot.py --server.address 0.0.0.0 --server.port 11434
本文基础环境如下:
----------------
ubuntu 22.04
cuda 12.4
----------------
本文默认学习者已安装好以上 Pytorch(cuda) 环境,如未安装请自行安装。
接下来开始环境配置、模型下载和运行演示 ~
pip
换源加速下载并安装依赖包
# 更换 pypi 源加速库的安装
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
# 升级pip
python -m pip install --upgrade pip
pip install modelscope==1.16.1
pip install langchain==0.2.3
pip install streamlit==1.37.0
pip install transformers==4.43.2
pip install accelerate==0.32.1
使用 modelscope
中的 snapshot_download
函数下载模型,第一个参数为模型名称,参数 cache_dir
为模型的下载路径,参数revision
为模型的版本,master代表主分支,为最新版本。
在 /root/autodl-tmp
路径下新建 download.py
文件并在其中输入以下内容,粘贴代码后记得保存文件,如下图所示。并运行 python /root/autodl-tmp/download.py
执行下载,模型大小为 40 GB,下载模型大概需要 20 钟。
import torch
from modelscope import snapshot_download, AutoModel, AutoTokenizer
import os
model_dir = snapshot_download(deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct, cache_dir=/deepseek/compshare-tmp, revision=master)
在/deepseek/compshare-tmp
路径下新建 chatBot.py
文件并在其中输入以下内容,粘贴代码后记得保存文件。chatBot.py代码如下
# 导入所需的库
from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig
import torch
import streamlit as st
# 在侧边栏中创建一个标题和一个链接
with st.sidebar:
st.markdown(## Index-1.9B-chat LLM)
[开源大模型食用指南 self-llm](https://github.com/datawhalechina/self-llm.git)
# 创建一个滑块,用于选择最大长度,范围在0到1024之间,默认值为512
max_length = st.slider(max_length, 0, 1024, 512, step=1)
# 创建一个标题和一个副标题
st.title(💬 DeepSeek-Coder-V2-Lite-Instruct)
st.caption(🚀 A streamlit chatbot powered by Self-LLM)
# 定义模型路径
model_name_or_path = /deepseek/compshare-tmp/deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct
# 定义一个函数,用于获取模型和tokenizer
@st.cache_resource
def get_model():
# 从预训练的模型中获取tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, use_fast=False, trust_remote_code=True)
# 从预训练的模型中获取模型,并设置模型参数
model = AutoModelForCausalLM.from_pretrained(model_name_or_path, torch_dtype=torch.bfloat16, device_map=auto, trust_remote_code=True)
return tokenizer, model
# 加载 DeepSeek-Coder-V2-Lite-Instruct 的model和tokenizer
tokenizer, model = get_model()
# 如果session_state中没有messages,则创建一个包含默认消息的列表
if messages not in st.session_state:
st.session_state[messages] = [{role: assistant, content: 有什么可以帮您的?}]
# 遍历session_state中的所有消息,并显示在聊天界面上
for msg in st.session_state.messages:
st.chat_message(msg[role]).write(msg[content])
# 如果用户在聊天输入框中输入了内容,则执行以下操作
if prompt := st.chat_input():
# 将用户的输入添加到session_state中的messages列表中
st.session_state.messages.append({role: user, content: prompt})
# 在聊天界面上显示用户的输入
st.chat_message(user).write(prompt)
# 构建输入
input_ids = tokenizer.apply_chat_template(st.session_state.messages,tokenize=False,add_generation_prompt=True)
model_inputs = tokenizer([input_ids], return_tensors=pt).to(cuda)
generated_ids = model.generate(model_inputs.input_ids, max_new_tokens=512)
generated_ids = [
output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
# 将模型的输出添加到session_state中的messages列表中
st.session_state.messages.append({role: assistant, content: response})
# 在聊天界面上显示模型的输出
st.chat_message(assistant).write(response)
# print(st.session_state)
在终端中运行以下命令,启动streamlit服务
streamlit run /deepseek/chatBot.py --server.address 0.0.0.0 --server.port 11434
输入外部IP点击访问,即可看到聊天界面。