带你学习部署最新版清华第二版chatglm：ChatGLM2-6B+使用 CPU 本地安装部署运行 ChatGLM2-6B
1全网最新版ChatGLM-6B开源模型环境详细部署及安装——如何在低显存单显卡上面安装私有ChatGPT GPT-4大语言模型： https://blog.csdn.net/qq_31136513/article/details/130405007
2【发布】ChatGLM2-6B：性能大幅提升，8-32k上下文，推理提速42%：https://zhuanlan.zhihu.com/p/639464194
3 chaglm2-6b本地部署
参考链接：https://blog.csdn.net/weixin_52703185/article/details/131418190
ChatGLM2-6B 是开源中英双语对话模型 ChatGLM-6B 的第二代版本，在保留了初代模型对话流畅、部署门槛较低等众多优秀特性的基础之上，ChatGLM2-6B 引入了如下新特性：
更强大的性能：基于 ChatGLM 初代模型的开发经验，我们全面升级了 ChatGLM2-6B 的基座模型。ChatGLM2-6B 使用了 GLM 的混合目标函数，经过了 1.4T 中英标识符的预训练与人类偏好对齐训练，评测结果显示，相比于初代模型，ChatGLM2-6B 在 MMLU（+23%）、CEval（+33%）、GSM8K（+571%） 、BBH（+60%）等数据集上的性能取得了大幅度的提升，在同尺寸开源模型中具有较强的竞争力。
更长的上下文：基于 FlashAttention 技术，我们将基座模型的上下文长度（Context Length）由 ChatGLM-6B 的 2K 扩展到了 32K，并在对话阶段使用 8K 的上下文长度训练，允许更多轮次的对话。但当前版本的 ChatGLM2-6B 对单轮超长文档的理解能力有限，我们会在后续迭代升级中着重进行优化。
更高效的推理：基于 Multi-Query Attention 技术，ChatGLM2-6B 有更高效的推理速度和更低的显存占用：在官方的模型实现下，推理速度相比初代提升了 42%，INT4 量化下，6G 显存支持的对话长度由 1K 提升到了 8K。
更开放的协议：ChatGLM2-6B 权重对学术研究完全开放，在获得官方的书面许可后，亦允许商业使用。
- 项目克隆：
git clone https://github.com/THUDM/ChatGLM2-6B
cd ChatGLM2-6B
- 安装依赖
pip install -r requirements.txt
其中 transformers 库版本推荐为 4.30.2，torch 推荐使用 2.0 以上的版本，以获得最佳的推理性能。
- 安装GIT LFS
下载地址：https://git-lfs.com/（当下最新版本：V3.3.0）
测试是否安装成功：
打开Git Bash,输入：
$ git lfs install
Git LFS initialized # 出现此消息说明安装成功
- 从Hugging Face Hub 下载模型
git clone https://huggingface.co/THUDM/chatglm2-6b
-
将模型下载到ChatGLM-6B文件夹内
-
模型量化
默认情况下，模型以 FP16 精度加载，运行上述代码需要大概 13GB 显存。如果你的 GPU 显存有限，可以尝试以量化方式加载模型，使用方法如下：
按需在web_demo.py中修改，目前只支持 4/8 bit 量化
model = AutoModel.from_pretrained("THUDM/chatglm2-6b", trust_remote_code=True).quantize(4).cuda()
其中"THUDM/chatglm2-6b"需修改为你本地部署的路径，如"D:\ChatGLM2-6B"。
注：我使用的是8G的3060ti，模型量化选着int4
- 启动web_demo.py
python web_demo.py
8.API部署
首先需要安装额外的依赖
pip install fastapi uvicorn
#将api.py中的"THUDM/chatglm2-6b"修改为"D:\ChatGLM2-6B"
tokenizer = AutoTokenizer.from_pretrained("D:\ChatGLM2-6B", trust_remote_code=True)
model = AutoModel.from_pretrained("D:\ChatGLM2-6B", trust_remote_code=True).quantize(4).cuda()
注：我使用的是8G的3060ti，这里需要使用模型量化，不然会出现显存爆了的情况
运行仓库中的 api.py
python api.py
默认部署在本地的 8000 端口，通过 POST 方法进行调用
curl -X POST "http://127.0.0.1:8000" \
-H 'Content-Type: application/json' \
-d '{"prompt": "你好", "history": []}'
得到的返回值为
{
"response":"你好！我是人工智能助手 ChatGLM2-6B，很高兴见到你，欢迎问我任何问题。",
"history":[["你好","你好！我是人工智能助手 ChatGLM2-6B，很高兴见到你，欢迎问我任何问题。"]],
"status":200,
"time":"2023-03-23 21:38:40"
}
同时，也提供了 OpenAI 格式的流式 API 部署，可以作为任意基于 ChatGPT 的应用的后端，比如 ChatGPT-Next-Web，这里也需要修改openai_api.py中的模型量化
python openai_api.py
进行API调用的示例代码为：
import openai
if __name__ == "__main__":
openai.api_base = "http://localhost:8000/v1"
openai.api_key = "none"
for chunk in openai.ChatCompletion.create(
model="chatglm2-6b",
messages=[
{"role": "user", "content": "你好"}
],
stream=True
):
if hasattr(chunk.choices[0].delta, "content"):
print(chunk.choices[0].delta.content, end="", flush=True)
- 遇到的问题及解决方法
1.问题1
报错
ModuleNotFoundError: No module named 'pandas._libs.interval'
解决方法：更新pandas
pip install -U pandas
2.问题2
报错
AssertionError: Torch not compiled with CUDA enabled
解决方法：重新安装torch2.0.1及cuda118
pip uninstall torch
pip cache purge
pip install torch -f https://download.pytorch.org/whl/torch_stable.html
3.问题3
报错
torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 108.00 MiB (GPU 0; 8.00 GiB total capacity; 7.25 GiB already allocated; 0 bytes free; 7.25 GiB reserved in total by PyTorch) If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation. See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF
#解决方法：同样需要使用模型量化
model = AutoModel.from_pretrained("D:\ChatGLM2-6B", trust_remote_code=True).quantize(4).cuda()
4.问题4
在安装依赖的过程中可能出现有的库版本出现冲突的情况，要是能成功运行不用太在意，可能我还没遇到新的问题，后面遇到会接着更新；
总结
ChatGLM2-6B相较于第一代还是有较大的提升，按照Readme.md进行部署问题还是相对简单，本篇文章记录了我的一个部署过程，期间还是遇到了几个问题，但都很快就解决了。
参考资料
ChatGLM2-6B GitHub地址： https://github.com/THUDM/ChatGLM2-6B
模型下载：https://huggingface.co/THUDM/chatglm2-6b
4 其他链接：使用 CPU 本地安装部署运行 ChatGLM2-6B
https://www.tjsky.net/tutorial/701