使用 OpenCompass 来评测 InternLM2 1.8B实践

  •  环境安装
conda create -n opencompass python=3.10
conda activate opencompass
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia -y

# 注意:一定要先 cd /root
cd /root
git clone -b 0.2.4 https://github.com/open-compass/opencompass
cd opencompass
pip install -e .


apt-get update
apt-get install cmake
pip install -r requirements.txt
pip install protobuf

 数据集准备

解压评测数据集到 /root/opencompass/data/ 处。(注意: 上方在git clone opencompass 时一定要将 opencompass clone 到 /root 路径下)

cp /share/temp/datasets/OpenCompassData-core-20231110.zip /root/opencompass/
unzip OpenCompassData-core-20231110.zip

列出所有跟 InternLM 及 C-Eval 相关的配置 

python tools/list_configs.py internlm ceval

过程中如果报错,仅需将numpy版本降到2.0以下即可

打开 opencompass文件夹下configs/models/hf_internlm/的hf_internlm2_chat_1_8b.py ,贴入以下代码

from opencompass.models import HuggingFaceCausalLM


models = [
    dict(
        type=HuggingFaceCausalLM,
        abbr='internlm2-1.8b-hf',
        path="/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b",
        tokenizer_path='/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b',
        model_kwargs=dict(
            trust_remote_code=True,
            device_map='auto',
        ),
        tokenizer_kwargs=dict(
            padding_side='left',
            truncation_side='left',
            use_fast=False,
            trust_remote_code=True,
        ),
        max_out_len=100,
        min_out_len=1,
        max_seq_len=2048,
        batch_size=8,
        run_cfg=dict(num_gpus=1, num_procs=1),
    )
]

 确保按照上述步骤正确安装 OpenCompass 并准备好数据集后,可以通过以下命令评测 InternLM2-Chat-1.8B 模型在 C-Eval 数据集上的性能。由于 OpenCompass 默认并行启动评估过程,我们可以在第一次运行时以 --debug 模式启动评估,并检查是否存在问题。在 --debug 模式下,任务将按顺序执行,并实时打印输出。

#环境变量配置
export MKL_SERVICE_FORCE_INTEL=1
#或
export MKL_THREADING_LAYER=GNU

python run.py --datasets ceval_gen --models hf_internlm2_chat_1_8b --debug

 运行结果如下:同时会生成output文件夹

 除了通过命令行配置实验外,OpenCompass 还允许用户在配置文件中编写实验的完整配置,并通过 run.py 直接运行它。配置文件是以 Python 格式组织的,并且必须包括 datasets 和 models 字段。本次测试配置在 configs文件夹 中。此配置通过 继承机制 引入所需的数据集和模型配置,并以所需格式组合 datasets 和 models 字段。 运行以下代码,在configs文件夹下创建eval_tutorial_demo.py

cd /root/opencompass/configs
touch eval_tutorial_demo.py

cd /root/opencompass
python run.py configs/eval_tutorial_demo.py --debug

 打开eval_tutorial_demo.py 贴入以下代码

from mmengine.config import read_base

with read_base():
    from .datasets.ceval.ceval_gen import ceval_datasets
    from .models.hf_internlm.hf_internlm2_chat_1_8b import models as hf_internlm2_chat_1_8b_models

datasets = ceval_datasets
models = hf_internlm2_chat_1_8b_models

运行结果如下:更上面一样 

<think>好的,用户想了解如何调用ModelScope中的AMChat_internlm2-math-plus-1.8b模型的API,需要教程、示例代码和文档。首先,我需要回忆一下ModelScope平台的基本使用流程,通常调用模型API需要安装SDK,获取API Token,然后根据文档编写代码。 接下来,我需要检查用户提供的引用内容,看看是否有相关的信息。引用[1]提到了OFA文生SQL模型,引用[2]是ARM数学库的使用,引用[3]是关于OpenCompass评测实践。看起来这些引用可能没有直接关联,但需要确认是否有隐藏的相关信息。例如,引用[1]中的团队代码仓库可能有相关示例,但不确定。引用[3]提到可能需要额外步骤安装依赖,这可能对用户有帮助。 用户的问题是关于API调用的,所以应该分步骤回答。首先安装必要的库,比如modelscope的Python SDK。然后获取API Token,这通常在ModelScope的个人设置中。接下来是示例代码,可能需要导入pipeline,并指定模型名称。需要注意模型名称是否正确,比如AMChat_internlm2-math-plus-1.8b可能需要全名,比如'AI-ModelScope/AMChat_internlm2-math-plus-1.8b'。 另外,需要提醒用户注意模型输入输出的格式,比如数学问题可能需要特定的prompt结构。可能还需要处理输入输出的参数,比如max_length等。文档链接可能需要指向ModelScope的模型卡片页面,比如https://modelscope.cn/models/AI-ModelScope/AMChat_internlm2-math-plus-1.8b。 同时,用户可能遇到的问题包括安装依赖、网络连接、Token权限等,需要给出常见问题解决建议。例如,安装开发版本或检查网络设置。 最后,生成相关问题时要围绕模型调用、参数调整、数学任务处理、本地部署等扩展方向。确保问题对用户深入学习有帮助。</think>### ModelScope AMChat_internlm2-math-plus-1.8b API 使用步骤 #### 1. 环境准备 - 安装ModelScope SDK: ```bash pip install modelscope ``` 若需最新功能可安装开发版: ```bash pip install "modelscope[llm]" -f https://modelscope.oss-cn-beijing.aliyuncs.com/releases/repo.html ``` #### 2. 获取API凭证 - 登录[ModelScope官网](https://modelscope.cn),在个人中心「AccessToken」页面创建Token[^3] #### 3. 基础调用代码示例 ```python from modelscope import AutoModelForCausalLM, AutoTokenizer model_id = 'AI-ModelScope/AMChat_internlm2-math-plus-1.8b' tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained(model_id, device_map='auto', trust_remote_code=True) prompt = "解方程:$x^2 + 5x + 6 = 0$" inputs = tokenizer(prompt, return_tensors='pt').to('cuda') outputs = model.generate(**inputs, max_new_tokens=256) print(tokenizer.decode(outputs[0], skip_special_tokens=True)) ``` #### 4. 高级参数说明 - `temperature`:控制生成随机性(0-1) - `top_p`:核采样概率阈值 - `repetition_penalty`:重复惩罚因子 #### 5. 官方文档参考 完整API文档参见:[AMChat_internlm2-math-plus-1.8b模型卡片](https://modelscope.cn/models/AI-ModelScope/AMChat_internlm2-math-plus-1.8b)
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值