一、介绍
GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。 在语义、数学、推理、代码和知识等多方面的数据集测评中, GLM-4-9B 及其人类偏好对齐的版本 GLM-4-9B-Chat 均表现出超越 Llama-3-8B 的卓越性能。除了能进行多轮对话,GLM-4-9B-Chat 还具备网页浏览、代码执行、自定义工具调用(Function Call)和长文本推理(支持最大 128K 上下文)等高级功能。本代模型增加了多语言支持,支持包括日语,韩语,德语在内的 26 种语言。还推出了支持 1M 上下文长度(约 200 万中文字符)的 GLM-4-9B-Chat-1M模型和基于 GLM-4-9B 的多模态模型 GLM-4V-9B。GLM-4V-9B 具备 1120 * 1120 高分辨率下的中英双语多轮对话能力,在中英文综合能力、感知推理、文字识别、图表理解等多方面多模态评测中,GLM-4V-9B 表现出超越 GPT-4-turbo-2024-04-09、Gemini 1.0 Pro、Qwen-VL-Max 和 Claude 3 Opus 的卓越性能。
GLM-4 开源模型旨在与开源社区一起推动大模型技术发展,恳请开发者和大家遵守 开源协议 ,勿将开源模型和代码及基于开源项目产生的衍生物用于任何可能给国家和社会带来危害的用途以及用于任何未经过安全评估和备案的服务。目前,其项目团队未基于 GLM-4 开源模型开发任何应用,包括网页端、安卓、苹果 iOS 及 Windows App 等应用。
尽管模型在训练的各个阶段都尽力确保数据的合规性和准确性,但由于 GLM-4-9B 模型规模较小,且模型受概率随机性因素影响,无法保证输出内容的准确。同时模型的输出容易被用户的输入误导。
更多详细信息见 Github 仓库。
二、部署过程
基础环境最低要求说明:
环境名称 | 版本信息1 | 版本信息2 |
---|---|---|
Ubuntu | 22.04.4 LTS | |
Cuda | V12.1.105 | |
Python | 3.10.8 | 3.12.4 |
NVIDIA Corporation | RTX 3060 *2 | RTX 3090 |
1. 更新基础软件包
查看系统版本信息
\# 查看系统版本信息,包括ID(如ubuntu、centos等)、版本号、名称、版本号ID等
cat /etc/os-release
配置 apt 国内源
\# 更新软件包列表
apt-get update
这个命令用于更新本地软件包索引。它会从所有配置的源中检索最新的软件包列表信息,但不会安装或升级任何软件包。这是安装新软件包或进行软件包升级之前的推荐步骤,因为它确保了您获取的是最新版本的软件包。
\# 安装 Vim 编辑器
apt-get install -y vim
这个命令用于安装 Vim 文本编辑器。-y
选项表示自动回答所有的提示为“是”,这样在安装过程中就不需要手动确认。Vim 是一个非常强大的文本编辑器,广泛用于编程和配置文件的编辑。
为了安全起见,先备份当前的 sources.list
文件之后,再进行修改:
\# 备份现有的软件源列表
cp /etc/apt/sources.list /etc/apt/sources.list.bak
这个命令将当前的 sources.list
文件复制为一个名为 sources.list.bak
的备份文件。这是一个好习惯,因为编辑 sources.list
文件时可能会出错,导致无法安装或更新软件包。有了备份,如果出现问题,您可以轻松地恢复原始的文件。
\# 编辑软件源列表文件
vim /etc/apt/sources.list
这个命令使用 Vim 编辑器打开 sources.list
文件,以便您可以编辑它。这个文件包含了 APT(Advanced Package Tool)用于安装和更新软件包的软件源列表。通过编辑这个文件,您可以添加新的软件源、更改现有软件源的优先级或禁用某些软件源。
在 Vim 中,您可以使用方向键来移动光标,i
键进入插入模式(可以开始编辑文本),Esc
键退出插入模式,:wq
命令保存更改并退出 Vim,或 :q!
命令不保存更改并退出 Vim。
编辑 sources.list
文件时,请确保您了解自己在做什么,特别是如果您正在添加新的软件源。错误的源可能会导致软件包安装失败或系统安全问题。如果您不确定,最好先搜索并找到可靠的源信息,或者咨询有经验的 Linux 用户。
使用 Vim 编辑器打开 sources.list
文件,复制以下代码替换 sources.list
里面的全部代码,配置 apt 国内阿里源。
deb http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse
安装常用软件和工具
\# 更新源列表,输入以下命令:
apt-get update
\# 更新系统软件包,输入以下命令:
apt-get upgrade
\# 安装常用软件和工具,输入以下命令:
apt-get -y install vim wget git git-lfs unzip lsof net-tools gcc cmake build-essential
出现以下页面,说明国内apt源已替换成功,且能正常安装apt软件和工具
2. 安装 NVIDIA CUDA Toolkit 12.1
- 下载 CUDA Keyring :
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86\_64/cuda-keyring\_1.0-1\_all.deb
这个命令用于下载 CUDA 的 GPG 密钥环,它用于验证 CUDA 软件包的签名。这是确保软件包安全性的一个重要步骤。
- 安装 CUDA Keyring :
dpkg -i cuda-keyring\_1.0-1\_all.deb
使用 dpkg
安装下载的密钥环。这是必要的,以便 apt
能够验证从 NVIDIA 仓库下载的软件包的签名。
- 删除旧的 apt 密钥(如果必要) :
apt-key del 7fa2af80
这一步可能不是必需的,除非您知道 7fa2af80
是与 CUDA 相关的旧密钥,并且您想从系统中删除它以避免混淆。通常情况下,如果您只是安装 CUDA 并使用 NVIDIA 提供的最新密钥环,这一步可以跳过。
- 更新 apt 包列表 :
apt-get update
更新 apt 的软件包列表,以便包括刚刚通过 cuda-keyring
添加的 NVIDIA 仓库中的软件包。
- 安装 CUDA Toolkit :
apt-get -y install cuda-toolkit-12-1
出现以下页面,说明 NVIDIA CUDA Toolkit 12.1 安装成功
注意:这里可能有一个问题。NVIDIA 官方 Ubuntu 仓库中可能不包含直接名为 cuda-toolkit-12-1
的包。通常,您会安装一个名为 cuda
或 cuda-12-1
的元包,它会作为依赖项拉入 CUDA Toolkit 的所有组件。请检查 NVIDIA 的官方文档或仓库,以确认正确的包名。
如果您正在寻找安装特定版本的 CUDA Toolkit,您可能需要安装类似 cuda-12-1
的包(如果可用),或者从 NVIDIA 的官方网站下载 CUDA Toolkit 的 .run
安装程序进行手动安装。
请确保您查看 NVIDIA 的官方文档或 Ubuntu 的 NVIDIA CUDA 仓库以获取最准确的包名和安装指令。
- 出现以上情况,需要配置 NVIDIA CUDA Toolkit 12.1 系统环境变量
编辑 ~/.bashrc 文件
\# 编辑 ~/.bashrc 文件
vim ~/.bashrc
插入以下环境变量
\# 插入以下环境变量
export PATH=/usr/local/cuda/bin:$PATH
export LD\_LIBRARY\_PATH=/usr/local/cuda/lib64:$LD\_LIBRARY\_PATH
激活 ~/.bashrc 文件
\# 激活 ~/.bashrc 文件
source ~/.bashrc
查看cuda系统环境变量
which nvcc
nvcc -V
3. 安装 Miniconda
-
下载 Miniconda 安装脚本 :
-
使用
wget
命令从 Anaconda 的官方仓库下载 Miniconda 的安装脚本。Miniconda 是一个更小的 Anaconda 发行版,包含了 Anaconda 的核心组件,用于安装和管理 Python 包。 -
运行 Miniconda 安装脚本 :
-
使用
bash
命令运行下载的 Miniconda 安装脚本。这将启动 Miniconda 的安装过程。
\# 下载 Miniconda 安装脚本
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86\_64.sh
\# 运行 Miniconda 安装脚本
bash Miniconda3-latest-Linux-x86\_64.sh
\# 初次安装需要激活 base 环境
source ~/.bashrc
按下回车键(enter)
输入yes
输入yes
安装成功如下图所示
pip配置清华源加速
\# 编辑 /etc/pip.conf 文件
vim /etc/pip.conf
加入以下代码
\[global\]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
注意事项:
-
请确保您的系统是 Linux x86_64 架构,因为下载的 Miniconda 版本是为该架构设计的。
-
在运行安装脚本之前,您可能需要使用
chmod +x Miniconda3-latest-Linux-x86_64.sh
命令给予脚本执行权限。 -
安装过程中,您将被提示是否同意许可协议,以及是否将 Miniconda 初始化。通常选择 “yes” 以完成安装和初始化。
-
安装完成后,您可以使用
conda
命令来管理 Python 环境和包。 -
如果链接无法访问或解析失败,可能是因为网络问题或链接本身的问题。请检查网络连接,并确保链接是最新的和有效的。如果问题依旧,请访问 Anaconda 的官方网站获取最新的下载链接。
4. 从 github 仓库克隆项目
-
克隆存储库:
-
git clone https://github.com/THUDM/GLM-4
-
这个命令使用
git clone
从指定的 GitHub 地址克隆 “GLM-4” 项目,默认情况下 Git 会克隆整个项目的所有提交历史。 -
切换目录:
-
cd GLM-4
-
这个命令使用
cd
(change directory)命令切换当前工作目录到刚才克隆的 “GLM-4” 目录中。这意味着接下来执行的所有命令都是在该项目目录下执行。
\# 克隆 ChatGLM4 项目
git clone https://github.com/THUDM/GLM-4 ChatGLM4
\# 切换到克隆的项目目录中
cd ChatGLM4
出现以上页面即是克隆项目成功!
请注意,如果 git clone https://github.com/THUDM/GLM-4
这个链接不存在或者无效,git clone
命令将不会成功克隆项目,并且会报错。确保链接是有效的,并且您有足够的权限访问该存储库。
5. 创建虚拟环境
\# 创建一个名为 ChatGLM4 的新虚拟环境,并指定 Python 版本为 3.10.8
conda create --name ChatGLM4 python=3.10.8
\# 激活新创建的虚拟环境
conda activate ChatGLM4
6. 安装模型依赖库
- 切换到项目目录
\# 切换到项目工作目录
cd /ChatGLM4
- 激活 ChatGLM4 虚拟环境
conda activate ChatGLM4
- 安装 requirements.txt 依赖
\# 在 ChatGLM3 环境中安装 requirements.txt 依赖
pip install -r requirements.txt
依赖安装成功如下图所示:
7. 下载预训练模型
\# 创建一个THUDM文件夹
mkdir -p /ChatGLM4/basic\_demo/THUDM
\# 递归复制 GLM-4 这个整体文件夹到数据盘位置(因为模型有点大,系盘无法存放)
cp -r /ChatGLM4 /root/sj-tmp/
\# 切换到 GLM-4 项目的 basic\_demo 目录
cd /root/sj-tmp/ChatGLM4/basic\_demo
安装 modelscope 依赖包
pip install modelscope
创建一个Python下载脚本
vim modelscope\_download.py
插入以下下载代码
\# Python 代码下载模型
from modelscope import snapshot\_download
model\_dir = snapshot\_download('ZhipuAI/glm-4-9b-chat', cache\_dir='./', revision='master')
执行 modelscope_download.py 文件进行模型下载
python modelscope\_download.py
8. 运行 web_demo_gradio.py 文件
cd /root/sj-tmp/ChatGLM4/basic\_demo/
python trans\_web\_demo.py
出现以上代码“ModuleNotFoundError: No module named ‘peft’”报错,安装 peft 依赖包
\# 安装 peft
pip install peft
出现以上报错,需要修改模型路径
\# 编辑 trans\_web\_demo.py 文件
vim trans\_web\_demo.py
替换为
MODEL\_PATH = os.environ.get('MODEL\_PATH', 'ZhipuAI/glm-4-9b')
出现以上结果,还需要继续修改 web_demo_gradio.py 文件的IP和端口,才能进入 gradio 页面
\# 编辑 trans\_web\_demo.py 文件
vim trans\_web\_demo.py
替换为
demo.launch(server\_name="0.0.0.0", server\_port=8080, inbrowser=True, share\=True)
替换说明:server_name 为IP地址, server_port 为端口号,根据访问需求进行替换即可
三、网页演示
出现以下 Gradio 页面,即是模型已搭建完成。
AI大模型学习福利
作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取
2024最新版优快云大礼包:《AGI大模型学习资源包》免费分享
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取
2024最新版优快云大礼包:《AGI大模型学习资源包》免费分享
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取
2024最新版优快云大礼包:《AGI大模型学习资源包》免费分享
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取
2024最新版优快云大礼包:《AGI大模型学习资源包》免费分享
四、AI大模型商业化落地方案
因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取
2024最新版优快云大礼包:《AGI大模型学习资源包》免费分享
作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。