AI模型：开源大语言模型bloom学习

文章目录

• • @[toc]
  • 前言
  • 一、模型介绍
  • 二、环境准备
  • 三、安装pip包
  • 四、模型下载
  • 五、生成文本
  • 其他

前言

chatgpt已经成为了当下热门，github首页的trending排行榜上天天都有它的相关项目，但背后隐藏的却是openai公司提供的api收费服务。作为一名开源爱好者，我非常不喜欢知识付费或者服务收费的理念，所以便有决心写下此系列，让一般大众们可以不付费的玩转当下比较新的开源大语言模型bloom及其问答系列模型bloomz。

一、模型介绍

bloom是一个开源的支持最多59种语言和176B参数的大语言模型。它是在Megatron-LM GPT2的基础上修改训练出来的，主要使用了解码器唯一结构，对词嵌入层的归一化，使用GeLU激活函数的线性偏差注意力位置编码等技术。它的训练集包含了45种自然语言和12种编程语言，1.5TB的预处理文本转化为了350B的唯一token。bigscience在hugging face上发布的bloom模型包含多个参数多个版本，本文中出于让大家都能动手实践的考虑，选择最小号的bloom-1b1版本，其他模型请自行尝试。

二、环境准备

python版本最好是3.8及以上，因为项目都会逐渐对老版本python停止支持，可能找不到现成的wheel包从而需要自己编译，而windows下需要使用VS，那是个相当痛苦的过程。

推荐pip原生虚拟环境安装，不推荐conda虚拟环境。本文的安装方法都是基于pip，如果你不懂pip虚拟环境请运行以下命令（linux如果有python2，请运行pip3）：

pip install virtualenv -i https://mirror.baidu.com/pypi/simple #安装虚拟环境包
python -m venv bloom #在当前目录创建名叫bloom的虚拟环境

创建完后如何启动：先一路cd到根目录，即脚本文件夹所在目录，然后cd进去activate。

cd Scripts
activate

比如我这里是名叫gpt-ch的环境：

输完后这样就表示启动成功了，所有的命令都会在隔离环境里运行，安装的包也都会在gpt-ch/Lib/site-packages里：

三、安装pip包

如果只用cpu进行推理，只需要安装以下包：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cpu
pip install transformers -i https://mirror.baidu.com/pypi/simple

如果你想用英伟达gpu进行推理，请自行安装gpu版的torch。这里提供wheel下载链接：
记得torch和torchvision的版本是需要对应的，然后这里默认你已经安装配置好了cuda路径，如果没有请看我之前的文章或者去网上查。
以我这里的cu117版本为例。

运行以下命令：

pip install torch-1.13.0+cu117-cp39-cp39-win_amd64.whl #自行更改文件名
pip install torchvision-0.14.0+cu117-cp39-cp39-win_amd64.whl #自行更改文件名
pip install transformers -i https://mirror.baidu.com/pypi/simple
pip install accelerate -i https://mirror.baidu.com/pypi/simple

四、模型下载

首先请编写以下代码保存运行：

from transformers import AutoModelForCausalLM, AutoTokenizer
checkpoint = "bigscience/bloom-1b1" #1b1，可改名成你想要的更大的模型
tokenizer = AutoTokenizer.from_pretrained(checkpoint) #下载模型的tokenizer
model = AutoModelForCausalLM.from_pretrained(checkpoint) #下载模型

网速足够快的情况下等一会就下载好了，但通常情况下我们得ctrl+c打断代码运行，手动下载模型存放到对应位置，即.cache\huggingface\hub\models–bigscience–bloom-1b1下。
如果你是windows，那么这个cache文件夹默认会创建在C:\Users\Administrator\下。如果你是linux，你使用了root权限，会在root文件夹下创建，如果是普通用户权限，则会在对应名称的普通用户目录下，此外该文件夹在linux中默认为隐藏文件夹，需打开权限查看。

下载模型地址: https://huggingface.co/bigscience/bloom-1b1/tree/main

把如上图所示链接中的五个文件（不包含这个flax_model.msgpack）下载下来放进自己的本地目录下的snapshots\一串数字（如下图所示）即可，其他文件夹都不用管。

五、生成文本

万事准备就绪后，就可以开始愉快的游玩了，运行以下代码：

from transformers import AutoModelForCausalLM, AutoTokenizer
import time
a1 = time.time()
checkpoint = "bigscience/bloom-1b1"

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint)

inputs = tokenizer.encode("奋进在不可逆转的复兴进程上", return_tensors="pt") #prompt
outputs = model.generate(inputs,min_length=150,max_new_tokens=200,do_sample=True)
print(tokenizer.decode(outputs[0])) #使用tokenizer对生成结果进行解码
a2 = time.time()
print(f'time cost is {a2 - a1} s')

time模块用来计时，我的是十二代i7，花了40s生成。

这里有一些生成时的参数需要讲解一下：
min_length是指最小生成长度，等于你输入的提示词+最小生成的token数，也就是input_length+min_new_tokens。
max_new_tokens规定了最大生成的token数目，这里的token你可以理解为一个词，不好翻译所以一律token，忽略你输入的prompt。与之相关的是max_length参数，其实max_length就是max_new_tokens+你输入的prompt长度。
do_sample=True表示进行抽样，否则会使用贪心解码策略。

生成以下结果：

其他

参考：https://blog.csdn.net/weixin_43945848/article/details/129375410