第二节实战

一、介绍书生葡语社区大模型角色扮演演示雷阵智能体demo和零比英特im x composer2的图文生成以及视觉问答介绍书生葡语特别幸运小组(SG)以及其提供的资源支持二、如何在左侧的文件夹栏目中找到已创建的文件，并进行下载和执行。同时，还介绍了如何部署八届chat1.8B模型并进行测试。双击打开down a mini文件，复制代码并下载模型参数输入exit退出，开始第二个实战任务在POWERSHELL中输入命令查询端口，配置本地环境，连接成功三、如何在实战任务中使用CTRL加C键退出，准备后续任务;如何使用legion运行英特尔M2chat GB模型;以及如何配置本地端口环境等。完成第二个实战任务，关闭STREAMLET，准备后续任务使用legion运行英特尔M2chat GB模型，注意升降配置运行程序，配置本地端口环境，耐心等待模型加载完成四、如何完成第三个实战任务，即使用基于书生葡语二大语言模型的图文多模态大模型进行图文写作和图像理解。需要升级开发机配置并进行环境包安装和配置。第三个实战任务结束，可以尝试最后一个实战任务需要升级开发机配置，安装环境包，下载相关代码资源输入指令启动intermx composer，参考章节3.3部分进行端口环境配置五、如何使用康达环境进行图片理解实战，并提供了一些技巧和注意事项。通过上传图片并分析其内容，可以完成实战任务。完成图片生成任务，关闭软件，重新开启终端。打开图片理解实战，复制代码，等待本地端口映射完成。实战演示结束，附录中提供下载模型和软链接清除方法。

基础环境搭建

studio-conda -o internlm-base -t demo

激活环境

conda activate demo

配置完成后，进入到新创建的 conda 环境之中：

conda activate demo

输入以下命令，完成环境包的安装：

pip install huggingface-hub==0.17.3
pip install transformers==4.34 
pip install psutil==5.9.8
pip install accelerate==0.24.1
pip install streamlit==1.32.2 
pip install matplotlib==3.8.3 
pip install modelscope==1.9.5
pip install sentencepiece==0.1.99

2.2 下载 `InternLM2-Chat-1.8B` 模型

按路径创建文件夹，并进入到对应文件目录中：

mkdir -p /root/demo
touch /root/demo/cli_demo.py
touch /root/demo/download_mini.py
cd /root/demo

通过左侧文件夹栏目，双击进入 demo 文件夹。

双击打开 /root/demo/download_mini.py 文件，复制以下代码：

import os
from modelscope.hub.snapshot_download import snapshot_download

# 创建保存模型目录
os.system("mkdir /root/models")

# save_dir是模型保存到本地的目录
save_dir="/root/models"

snapshot_download("Shanghai_AI_Laboratory/internlm2-chat-1_8b", 
                  cache_dir=save_dir, 
                  revision='v1.1.0')

执行命令，下载模型参数文件：

python /root/demo/download_mini.py

2.3 运行 cli_demo

双击打开 /root/demo/cli_demo.py 文件，复制以下代码：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM


model_name_or_path = "/root/models/Shanghai_AI_Laboratory/internlm2-chat-1_8b"

tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=True, device_map='cuda:0')
model = AutoModelForCausalLM.from_pretrained(model_name_or_path, trust_remote_code=True, torch_dtype=torch.bfloat16, device_map='cuda:0')
model = model.eval()

system_prompt = """You are an AI assistant whose name is InternLM (书生·浦语).
- InternLM (书生·浦语) is a conversational language model that is developed by Shanghai AI Laboratory (上海人工智能实验室). It is designed to be helpful, honest, and harmless.
- InternLM (书生·浦语) can understand and communicate fluently in the language chosen by the user such as English and 中文.
"""

messages = [(system_prompt, '')]

print("=============Welcome to InternLM chatbot, type 'exit' to exit.=============")

while True:
    input_text = input("\nUser  >>> ")
    input_text = input_text.replace(' ', '')
    if input_text == "exit":
        break

    length = 0
    for response, _ in model.stream_chat(tokenizer, input_text, messages):
        if response is not None:
            print(response[length:], flush=True, end="")
            length = len(response)

输入命令，执行 Demo 程序：

conda activate demo
python /root/demo/cli_demo.py

等待模型加载完成，键入内容示例：

请创作一个 300 字的小故事

效果如下：

3 实战：部署实战营优秀作品 `八戒-Chat-1.8B` 模型

3.1 简单介绍 `八戒-Chat-1.8B`、`Chat-嬛嬛-1.8B`、`Mini-Horo-巧耳`（实战营优秀作品）

八戒-Chat-1.8B、Chat-嬛嬛-1.8B、Mini-Horo-巧耳 均是在第一期实战营中运用 InternLM2-Chat-1.8B 模型进行微调训练的优秀成果。其中，八戒-Chat-1.8B 是利用《西游记》剧本中所有关于猪八戒的台词和语句以及 LLM API 生成的相关数据结果，进行全量微调得到的猪八戒聊天模型。作为 Roleplay-with-XiYou 子项目之一，八戒-Chat-1.8B 能够以较低的训练成本达到不错的角色模仿能力，同时低部署条件能够为后续工作降低算力门槛。

当然，同学们也可以参考其他优秀的实战营项目，具体模型链接如下：

八戒-Chat-1.8B：https://www.modelscope.cn/models/JimmyMa99/BaJie-Chat-mini/summary
Chat-嬛嬛-1.8B：https://openxlab.org.cn/models/detail/BYCJS/huanhuan-chat-internlm2-1_8b
Mini-Horo-巧耳：https://openxlab.org.cn/models/detail/SaaRaaS/Horowag_Mini

🍏那么，开始实验！！！

3.2 配置基础环境

运行环境命令：

conda activate demo

使用 git 命令来获得仓库内的 Demo 文件：

cd /root/
git clone https://gitee.com/InternLM/Tutorial -b camp2
# git clone https://github.com/InternLM/Tutorial -b camp2
cd /root/Tutorial

3.3 下载运行 Chat-八戒 Demo

在 Web IDE 中执行 bajie_download.py：

python /root/Tutorial/helloworld/bajie_download.py

待程序下载完成后，输入运行命令：

streamlit run /root/Tutorial/helloworld/bajie_chat.py --server.address 127.0.0.1 --server.port 6006

待程序运行的同时，对端口环境配置本地 PowerShell 。使用快捷键组合 Windows + R（Windows 即开始菜单键）打开指令界面，并输入命令，按下回车键。（Mac 用户打开终端即可）

打开 PowerShell 后，先查询端口，再根据端口键入命令（例如图中端口示例为 38374）：

# 从本地使用 ssh 连接 studio 端口
# 将下方端口号 38374 替换成自己的端口号
ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 38374

再复制下方的密码，输入到 password 中，直接回车：

最终保持在如下效果即可：

打开 http://127.0.0.1:6006 后，等待加载完成即可进行对话，键入内容示例如下：

你好，请自我介绍

效果图如下：

4 实战：使用 `Lagent` 运行 `InternLM2-Chat-7B` 模型（开启 30% A100 权限后才可开启此章节）

4.1 初步介绍 Lagent 相关知识

Lagent 是一个轻量级、开源的基于大语言模型的智能体（agent）框架，支持用户快速地将一个大语言模型转变为多种类型的智能体，并提供了一些典型工具为大语言模型赋能。它的整个框架图如下:

Lagent 的特性总结如下：

流式输出：提供 stream_chat 接口作流式输出，本地就能演示酷炫的流式 Demo。
接口统一，设计全面升级，提升拓展性，包括：
- Model : 不论是 OpenAI API, Transformers 还是推理加速框架 LMDeploy 一网打尽，模型切换可以游刃有余；
- Action: 简单的继承和装饰，即可打造自己个人的工具集，不论 InternLM 还是 GPT 均可适配；
- Agent：与 Model 的输入接口保持一致，模型到智能体的蜕变只需一步，便捷各种 agent 的探索实现；
文档全面升级，API 文档全覆盖。

4.2 配置基础环境（开启 30% A100 权限后才可开启此章节）

打开 Intern Studio 界面，调节配置（必须在开发机关闭的条件下进行）：

重新开启开发机，输入命令，开启 conda 环境：

conda activate demo

打开文件子路径

cd /root/demo

使用 git 命令下载 Lagent 相关的代码库：

git clone https://gitee.com/internlm/lagent.git
# git clone https://github.com/internlm/lagent.git
cd /root/demo/lagent
git checkout 581d9fb8987a5d9b72bb9ebd37a95efd47d479ac
pip install -e . # 源码安装

运行效果如图：

4.3 使用 `Lagent` 运行 `InternLM2-Chat-7B` 模型为内核的智能体

Intern Studio 在 share 文件中预留了实践章节所需要的所有基础模型，包括 InternLM2-Chat-7b 、InternLM2-Chat-1.8b 等等。我们可以在后期任务中使用 share 文档中包含的资源，但是在本章节，为了能让大家了解各类平台使用方法，还是推荐同学们按照提示步骤进行实验。

打开 lagent 路径：

cd /root/demo/lagent

在 terminal 中输入指令，构造软链接快捷访问方式：

ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-7b /root/models/internlm2-chat-7b

打开 lagent 路径下 examples/internlm2_agent_web_demo_hf.py 文件，并修改对应位置 (71行左右) 代码：

# 其他代码...
value='/root/models/internlm2-chat-7b'
# 其他代码...

输入运行命令 - 点开 6006 链接后，大约需要 5 分钟完成模型加载：

streamlit run /root/demo/lagent/examples/internlm2_agent_web_demo_hf.py --server.address 127.0.0.1 --server.port 6006

待程序运行的同时，对本地端口环境配置本地 PowerShell 。使用快捷键组合 Windows + R（Windows 即开始菜单键）打开指令界面，并输入命令，按下回车键。（Mac 用户打开终端即可）

打开 PowerShell 后，先查询端口，再根据端口键入命令（例如图中端口示例为 38374）：

# 从本地使用 ssh 连接 studio 端口
# 将下方端口号 38374 替换成自己的端口号
ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 38374

再复制下方的密码，输入到 password 中，直接回车：

最终保持在如下效果即可：

打开 http://127.0.0.1:6006 后，（会有较长的加载时间）勾上数据分析，其他的选项不要选择，进行计算方面的 Demo 对话，即完成本章节实战。键入内容示例：

请解方程 2*X=1360 之中 X 的结果

5 实战：实践部署 `浦语·灵笔2` 模型（开启 50% A100 权限后才可开启此章节）

5.1 初步介绍 `XComposer2` 相关知识

浦语·灵笔2 是基于 书生·浦语2 大语言模型研发的突破性的图文多模态大模型，具有非凡的图文写作和图像理解能力，在多种应用场景表现出色，总结起来其具有：

自由指令输入的图文写作能力： 浦语·灵笔2 可以理解自由形式的图文指令输入，包括大纲、文章细节要求、参考图片等，为用户打造图文并貌的专属文章。生成的文章文采斐然，图文相得益彰，提供沉浸式的阅读体验。
准确的图文问题解答能力：浦语·灵笔2 具有海量图文知识，可以准确的回复各种图文问答难题，在识别、感知、细节描述、视觉推理等能力上表现惊人。
杰出的综合能力： 浦语·灵笔2-7B 基于 书生·浦语2-7B 模型，在13项多模态评测中大幅领先同量级多模态模型，在其中6项评测中超过 GPT-4V 和 Gemini Pro。

5.2 配置基础环境（开启 50% A100 权限后才可开启此章节）

选用 50% A100 进行开发：

进入开发机，启动 conda 环境：

conda activate demo
# 补充环境包
pip install timm==0.4.12 sentencepiece==0.1.99 markdown2==2.4.10 xlsxwriter==3.1.2 gradio==4.13.0 modelscope==1.9.5

下载 InternLM-XComposer 仓库 相关的代码资源：

cd /root/demo
git clone https://gitee.com/internlm/InternLM-XComposer.git
# git clone https://github.com/internlm/InternLM-XComposer.git
cd /root/demo/InternLM-XComposer
git checkout f31220eddca2cf6246ee2ddf8e375a40457ff626

在 terminal 中输入指令，构造软链接快捷访问方式：

ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-7b /root/models/internlm-xcomposer2-7b
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm-xcomposer2-vl-7b /root/models/internlm-xcomposer2-vl-7b

5.3 图文写作实战（开启 50% A100 权限后才可开启此章节）

继续输入指令，用于启动 InternLM-XComposer：

cd /root/demo/InternLM-XComposer
python /root/demo/InternLM-XComposer/examples/gradio_demo_composition.py  \
--code_path /root/models/internlm-xcomposer2-7b \
--private \
--num_gpus 1 \
--port 6006

待程序运行的同时，参考章节 3.3 部分对端口环境配置本地 PowerShell 。使用快捷键组合 Windows + R（Windows 即开始菜单键）打开指令界面，（Mac 用户打开终端即可）并输入命令，按下回车键：

打开 PowerShell 后，先查询端口，再根据端口键入命令（例如图中端口示例为 38374）：

# 从本地使用 ssh 连接 studio 端口
# 将下方端口号 38374 替换成自己的端口号
ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 38374

再复制下方的密码，输入到 password 中，直接回车：

最终保持在如下效果即可：

打开 http://127.0.0.1:6006 实践效果如下图所示：

5.4 图片理解实战（开启 50% A100 权限后才可开启此章节）

根据附录 6.4 的方法，关闭并重新启动一个新的 terminal，继续输入指令，启动 InternLM-XComposer2-vl：

conda activate demo

cd /root/demo/InternLM-XComposer
python /root/demo/InternLM-XComposer/examples/gradio_demo_chat.py  \
--code_path /root/models/internlm-xcomposer2-vl-7b \
--private \
--num_gpus 1 \
--port 6006

打开 http://127.0.0.1:6006 (上传图片后) 键入内容示例如下：

请分析一下图中内容

实践效果如下图所示：

6 附录

6.1 （可选参考）介绍 `pip` 换源及 `conda` 换源方法

对于 pip 换源，需要临时使用镜像源安装，如下所示：some-package 为你需要安装的包名

pip install -i https://mirrors.cernet.edu.cn/pypi/web/simple some-package

设置 pip 默认镜像源，升级 pip 到最新的版本 (>=10.0.0) 后进行配置，如下所示：

python -m pip install --upgrade pip
pip config set global.index-url   https://mirrors.cernet.edu.cn/pypi/web/simple

如果您的 pip 默认源的网络连接较差，可以临时使用镜像源升级 pip：

python -m pip install -i https://mirrors.cernet.edu.cn/pypi/web/simple --upgrade pip

对于 conda 换源，镜像站提供了 Anaconda 仓库与第三方源（conda-forge、msys2、pytorch 等），各系统都可以通过修改用户目录下的 .condarc 文件来使用镜像站。不同系统下的 .condarc 目录如下：

Linux: ${HOME}/.condarc
macOS: ${HOME}/.condarc
Windows: C:\Users\<YourUserName>\.condarc

注意：

Windows 用户无法直接创建名为 .condarc 的文件，可先执行 conda config --set show_channel_urls yes 生成该文件之后再修改。

快速配置

cat <<'EOF' > ~/.condarc
channels:
- defaults
show_channel_urls: true
default_channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
EOF

6.2 （可选参考）模型下载

以下下载模型的操作不建议大家在开发机进行哦，在开发机下载模型会占用开发机的大量带宽和内存，下载等待的时间也会比较长，不利于大家学习。大家可以在自己的本地电脑尝试哦~

6.2.1 Hugging Face

使用 Hugging Face 官方提供的 huggingface-cli 命令行工具。安装依赖:

pip install -U huggingface_hub

然后新建 python 文件，填入以下代码，运行即可。

resume-download：断点续下
local-dir：本地存储路径。

其中 linux 环境下需要填写绝对路径.

import os
# 下载模型
os.system('huggingface-cli download --resume-download internlm/internlm2-chat-7b --local-dir your_path')

以下内容将展示使用 huggingface_hub 下载模型中的部分文件

import os 
from huggingface_hub import hf_hub_download  # Load model directly 

hf_hub_download(repo_id="internlm/internlm2-7b", filename="config.json")

6.2.2 ModelScope

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。

注意：cache_dir 最好为绝对路径。

安装依赖：

pip install modelscope==1.9.5
pip install transformers==4.35.2

在当前目录下新建 python 文件，填入以下代码，运行即可。

import torch
from modelscope import snapshot_download, AutoModel, AutoTokenizer
import os
model_dir = snapshot_download('Shanghai_AI_Laboratory/internlm2-chat-7b', cache_dir='your path', revision='master')

6.2.3 OpenXLab

OpenXLab 可以通过指定模型仓库的地址，以及需要下载的文件的名称，文件所需下载的位置等，直接下载模型权重文件，使用 download 函数导入模型中心的模型。

import torch
import os
from transformers import AutoModelForCausalLM, AutoTokenizer, AutoModel
base_path = './local_files'
os.system('apt install git')
os.system('apt install git-lfs')
os.system(f'git clone https://code.openxlab.org.cn/Usr_name/repo_name.git {base_path}')
os.system(f'cd {base_path} && git lfs pull')

6.3 （可选参考）软链接清除方法

当我们建立安全链接之后，如果想要将其删除可以选择以下命令：

unlink link_name

我们举一个例子，当我想删除软链接 /root/demo/internlm2-chat-7b 时：

cd /root/demo/
unlink internlm2-chat-7b

6.4 （可选参考）Terminal 终端清除方法

在运行 gradio 程序时，如果需要退出，需要按照图中所示步骤，在 terminal 栏目中点击关闭，然后再重新打开一个 terminal 以继续后面的实验。（否则会出现 显存耗尽 的情况）

以上章节内容仅供参考，并不作为必须实践的内容。

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

part2.md

part2.md

2.2 下载 `InternLM2-Chat-1.8B` 模型

2.3 运行 cli_demo

3 实战：部署实战营优秀作品 `八戒-Chat-1.8B` 模型

3.1 简单介绍 `八戒-Chat-1.8B`、`Chat-嬛嬛-1.8B`、`Mini-Horo-巧耳`（实战营优秀作品）

3.2 配置基础环境

3.3 下载运行 Chat-八戒 Demo

4 实战：使用 `Lagent` 运行 `InternLM2-Chat-7B` 模型（开启 30% A100 权限后才可开启此章节）

4.1 初步介绍 Lagent 相关知识

4.2 配置基础环境（开启 30% A100 权限后才可开启此章节）

4.3 使用 `Lagent` 运行 `InternLM2-Chat-7B` 模型为内核的智能体

5 实战：实践部署 `浦语·灵笔2` 模型（开启 50% A100 权限后才可开启此章节）

5.1 初步介绍 `XComposer2` 相关知识

5.2 配置基础环境（开启 50% A100 权限后才可开启此章节）

5.3 图文写作实战（开启 50% A100 权限后才可开启此章节）

5.4 图片理解实战（开启 50% A100 权限后才可开启此章节）

6 附录

6.1 （可选参考）介绍 `pip` 换源及 `conda` 换源方法

6.2 （可选参考）模型下载

6.2.1 Hugging Face

6.2.2 ModelScope

6.2.3 OpenXLab

6.3 （可选参考）软链接清除方法

6.4 （可选参考）Terminal 终端清除方法

Files

part2.md

Latest commit

History

part2.md

File metadata and controls

2.2 下载 InternLM2-Chat-1.8B 模型

2.3 运行 cli_demo

3 实战：部署实战营优秀作品 八戒-Chat-1.8B 模型

3.1 简单介绍 八戒-Chat-1.8B、Chat-嬛嬛-1.8B、Mini-Horo-巧耳（实战营优秀作品）

3.2 配置基础环境

3.3 下载运行 Chat-八戒 Demo

4 实战：使用 Lagent 运行 InternLM2-Chat-7B 模型（开启 30% A100 权限后才可开启此章节）

4.1 初步介绍 Lagent 相关知识

4.2 配置基础环境（开启 30% A100 权限后才可开启此章节）

4.3 使用 Lagent 运行 InternLM2-Chat-7B 模型为内核的智能体

5 实战：实践部署 浦语·灵笔2 模型（开启 50% A100 权限后才可开启此章节）

5.1 初步介绍 XComposer2 相关知识

5.2 配置基础环境（开启 50% A100 权限后才可开启此章节）

5.3 图文写作实战（开启 50% A100 权限后才可开启此章节）

5.4 图片理解实战（开启 50% A100 权限后才可开启此章节）

6 附录

6.1 （可选参考）介绍 pip 换源及 conda 换源方法

6.2 （可选参考）模型下载

6.2.1 Hugging Face

6.2.2 ModelScope

6.2.3 OpenXLab

6.3 （可选参考）软链接清除方法

6.4 （可选参考）Terminal 终端清除方法

2.2 下载 `InternLM2-Chat-1.8B` 模型

3 实战：部署实战营优秀作品 `八戒-Chat-1.8B` 模型

3.1 简单介绍 `八戒-Chat-1.8B`、`Chat-嬛嬛-1.8B`、`Mini-Horo-巧耳`（实战营优秀作品）

4 实战：使用 `Lagent` 运行 `InternLM2-Chat-7B` 模型（开启 30% A100 权限后才可开启此章节）

4.3 使用 `Lagent` 运行 `InternLM2-Chat-7B` 模型为内核的智能体

5 实战：实践部署 `浦语·灵笔2` 模型（开启 50% A100 权限后才可开启此章节）

5.1 初步介绍 `XComposer2` 相关知识

6.1 （可选参考）介绍 `pip` 换源及 `conda` 换源方法