【DataWhale学习】用免费GPU线上跑chatGLM、SD项目实践

用免费GPU线上跑chatGLM、SD项目实践

​ DataWhale组织了一个线上白嫖GPU跑chatGLM与SD的项目活动，我很感兴趣就参加啦。之前就对chatGLM有所耳闻，是去年清华联合发布的开源大语言模型，可以用来打造个人知识库什么的，一直没有尝试。而SD我前两天刚跟着B站秋叶大佬和Nenly大佬的视频学习过，但是生成某些图片显存吃紧，想线上部署尝试一下。

参考：DataWhale 学习手册链接

1 学习简介

本文以趋动云平台为例，详细介绍下如何通过平台提供的在线开发环境，直接在云端编写、运行代码，并使用**GPU资源进行加速**。本教程将学习云算力资源的使用方式，并给出了两个AI项目实践：

• 用免费GPU创建属于自己的聊天GPT
• 用免费GPU部署自己的stable-diffusion

平台注册：

• 注册即送168元算力金
• Datawhale专属注册链接：https://growthdata.virtaicloud.com/t/SA

适用人群：

• 新手开发者、快速原型设计者；
• 需要协作和分享的团队；
• 对大模型部署感兴趣的人；
• 深度学习入门学习者；
• 对使用GPU资源有需求的人。

优势：

无需进行本地环境配置，简单易用，便于分享和协作。

**组织方：**Datawhale x 趋动云

2 云端部署chatGLM3-6B模型

ChatGLM3 是智谱AI和清华大学 KEG 实验室联合发布的新一代对话预训练模型。

推理速度比上一代提高了很多，虽然本教程有两种启动方式，但教程作者强烈推荐使用streamlit体验，效果极佳。

2.1 项目配置

本项目采用 趋动云 云端配置，环境采用 Pytorch2.0.1、python3.9、cuda11.7 的镜像，在公开模型选择 葱姜蒜上传的这个ChtaGLM3-6B模型 。

资源配置采用拥有24G显存的 B1.large ，最好设置一个最长运行时间，以免忘关环境，导致资源浪费。我这里选择了24h的最长运行时间。

2.2 环境配置

成功配置好项目基本资源后，就可以进入JupyterLab开发环境了。现在需要在终端进一步配置环境，通过我们选择的模型资源中的加载的文件，我们首先要设置镜像源、克隆ChatGLM项目。

1. 升级apt，安装unzip

   apt-get update && apt-get install unzip
   1

2. 设置镜像源，升级pip

   git config --global url."https://gitclone.com/".insteadOf https://
   pip config set global.index-url https://pypi.virtaicloud.com/repository/pypi/simple
   python3 -m pip install --upgrade pip
   1
   2
   3

3. 克隆项目，并进入项目目录

   git clone https://github.com/THUDM/ChatGLM3.git
   cd ChatGLM3
   1
   2

4. 安装项目依赖与peft

   可以先把requirements.txt中的torch删掉，避免重复安装

   pip install -r requirements.txt
   pip install peft
   1
   2

2.2 镜像发布

​ 通过以上步骤，项目环境已部署完成啦。但是为了防止下次加载还得重新装载镜像，此时可以将镜像封装发布。

1. 点击右上角将当前环境制作为镜像

   

2. 填写镜像名称，构建镜像

   填写自定义镜像名称后，在Dockerfile中，填写以下内容，以之前选择的基础镜像，创建镜像。

   

   RUN apt-get update && apt-get install unzip
   
   RUN git config --global url."https://gitclone.com/".insteadOf https://
   RUN pip config set global.index-url https://pypi.virtaicloud.com/repository/pypi/simple
   RUN python3 -m pip install --upgrade pip
   
   RUN pip install  accelerate==0.27.2  \ 
    aiofiles==23.2.1  \ 
    altair==5.2.0  \ 
    annotated-types==0.6.0  \ 
    arxiv==2.1.0  \ 
    blinker==1.7.0  \ 
    colorama==0.4.6  \ 
    cpm-kernels==1.0.11  \ 
    dataclasses-json==0.6.4  \ 
    distro==1.9.0  \ 
    fastapi==0.110.0  \ 
    feedparser==6.0.10  \ 
    ffmpy==0.3.2  \ 
    gitdb==4.0.11  \ 
    GitPython==3.1.42  \ 
    gradio==4.21.0  \ 
    gradio_client==0.12.0  \ 
    greenlet==3.0.3  \ 
    h11==0.14.0  \ 
    httpcore==1.0.4  \ 
    httpx==0.27.0  \ 
    huggingface-hub==0.21.4  \ 
    jsonpatch==1.33  \ 
    jupyter_client==8.6.0  \ 
    langchain==0.1.11  \ 
    langchain-community==0.0.27  \ 
    langchain-core==0.1.30  \ 
    langchain-text-splitters==0.0.1  \ 
    langchainhub==0.1.15  \ 
    langsmith==0.1.23  \ 
    latex2mathml==3.77.0  \ 
    loguru==0.7.2  \ 
    markdown-it-py==3.0.0  \ 
    marshmallow==3.21.1  \ 
    mdtex2html==1.3.0  \ 
    mdurl==0.1.2  \ 
    openai==1.13.3  \ 
    orjson==3.9.15  \ 
    packaging==23.2  \ 
    peft==0.9.0  \ 
    protobuf==4.25.3  \ 
    pydantic==2.6.3  \ 
    pydantic_core==2.16.3  \ 
    pydeck==0.8.1b0  \ 
    pydub==0.25.1  \ 
    PyJWT==2.8.0  \ 
    python-multipart==0.0.9  \ 
    regex==2023.12.25  \ 
    requests==2.31.0  \ 
    rich==13.7.1  \ 
    ruff==0.3.2  \ 
    safetensors==0.4.2  \ 
    semantic-version==2.10.0  \ 
    sentence-transformers==2.5.1  \ 
    sentencepiece==0.2.0  \ 
    sgmllib3k==1.0.0  \ 
    shellingham==1.5.4  \ 
    smmap==5.0.1  \ 
    SQLAlchemy==2.0.28  \ 
    sse-starlette==2.0.0  \ 
    starlette==0.36.3  \ 
    streamlit==1.32.0  \ 
    tenacity==8.2.3  \ 
    tiktoken==0.6.0  \ 
    timm==0.9.16  \ 
    tokenizers==0.15.2  \ 
    toml==0.10.2  \ 
    tomlkit==0.12.0  \ 
    transformers==4.38.2  \ 
    typer==0.9.0  \ 
    typing_extensions==4.10.0  \ 
    urllib3==2.2.1  \ 
    uvicorn==0.28.0  \ 
    watchdog==4.0.0  \ 
    websockets==11.0.3  \ 
    zhipuai==2.0.1
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19
   20
   21
   22
   23
   24
   25
   26
   27
   28
   29
   30
   31
   32
   33
   34
   35
   36
   37
   38
   39
   40
   41
   42
   43
   44
   45
   46
   47
   48
   49
   50
   51
   52
   53
   54
   55
   56
   57
   58
   59
   60
   61
   62
   63
   64
   65
   66
   67
   68
   69
   70
   71
   72
   73
   74
   75
   76
   77
   78
   79
   80
   81
   82

3. 等待镜像构建

   

   

4. 在开发环境实例中修改镜像

   在构建的项目中，点击右边栏的 开发 ，点击 修改挂载镜像 ，在 我的 里选择刚才创建的镜像。

   

2.4 通过 Gradio 创建ChatGLM交互界面

Gradio是一个开源的Python库，用于创建机器学习模型的交互式界面。其中，StableDiffusion的WebUI就是通过 Gradio 开发。

1. 修改模型目录

   将 basic_demo 文件夹中的 web_demo_gradio.py 的模型加载路径改为 /gemini/pretrain

   

2. 修改启动路径

   将代码最后一行的启动代码修改为如下代码。

   demo.queue().launch(share=False, server_name="0.0.0.0",server_port=7000)
   1

3. 添加外部端口映射

   在界面的右边添加外部端口：7000

4. 运行gradio界面

   返回终端，输入以下指令，运行 web_demo_gradio.py

   cd basic_demo
   python web_demo_gradio.py
   1
   2

   等待模型慢慢加载完毕，即可访问gradio页面。

5. 访问gradio页面

   加载完毕之后，复制外部访问的连接，到浏览器打打开

   

   打开后界面如下，可以再input输入框进行问答测试。

   

   可以看到，Gradio界面并不稳定，回答的结果有点"抽风"，回复中夹杂指令字符<|im_end|> 与 <|im_start|>，并且出现了自问自答的现象。

配置好环境后，再次访问，在终端输入以下指令直接运行 gradio 。

cd ChatGLM3/basic_demo
python web_demo_gradio.py
1
2

2.5 通过 streamlit 创建ChatGLM交互界面

如果你运行了gradio，需要先杀掉这个进程，不然内存不够。

CTRL+C 可以杀掉进程

• Streamlit是一个开源的Python库，它允许用户 快速创建 交互式的数据科学和机器学习Web应用程序。

• 与Gradio相比，Streamlit在用户体验设计上更为通用，适合广泛的应用场景，而Gradio则更专注于展示和交互机器学习模型。

根据以下步骤，创建 streamlit 交互界面。

1. 修改模型目录

   将 basic_demo 文件夹中的 web_demo_streamlit.py 的模型加载路径改为 /gemini/pretrain

2. 运行streamlit界面

   在终端输入以下指令，运行web_demo_stream.py并指定7000端口，这样就不用再次添加外部端口映射啦~

   streamlit run web_demo_streamlit.py --server.port 7000
   1

3. 访问streamlit界面

   复制外部访问地址到浏览器打开，之后模型才会开始加载。（不复制在浏览器打开是不会加载的！）

   

   出现以上界面，等待加载，加载结束后工作台后端画面如下。可以在输入框提问。

   

   可以看到，streamlit界面的问答，比Gradio的问答稳定的多，没有多余的符号与自问自答。

   

配置好环境后，再次访问，在终端输入以下指令直接运行 streamlit 。

cd ChatGLM3/basic_demo
streamlit run web_demo_streamlit.py --server.port 7000
1
2

2.6 chatGLM功能测试

可以看到，chatGLM侧边栏有三行可调节参数，其功能分别如下：

• Max_length（最大长度）: 这个参数决定了模型生成文本的最大长度。如果输入文本特别长，可能需要调整这个参数以避免截断数据，确保模型能够理解完整的上下文信息。
• Top_P（Top P采样）: 这是一个概率阈值，模型在生成文本时只考虑累积概率达到这个阈值的词汇。较高的Top P值意味着模型在生成时会考虑更多的词汇，从而增加文本的多样性。
• Temperature（温度）: 这个参数控制生成文本的随机性。较低的温度值会使模型生成更确定性、更可预测的文本，而较高的温度值则会使模型生成更多样化和创造性的文本。

下面分别测试以上3个方面对生成文本的影响。

2.6.1 测试max_length对生成文本的影响

​ max_length决定了模型生成文本的最大长度。于是本次测试决定让模型回答固定长度的答案，一次超过max_length，一次没有对比其对生成文本的影响。

1. max_length较大时，生成500字的作文

   

   可以看到成功生成了一篇大约500字的作文。

2. max_length较小时，生成500字的作文

   

​ 可以看到，max_length有效的控制了生成的字数，当要求生成的字数小于max_length，生成的文章将会被截断。

2.6.2 测试Top_P对生成文本的影响

​ Top P影响着文本的多样性。即值越大用词越丰富，值越少越词穷。本次测试让模型生成一个旅游规划，对比不同Top P的值对生成文本的影响。

1. Top_P较大时，生成泰山旅游行程

   

2. Top_P较小时，生成泰山旅游行程

   

​ 可以看到，在Top P值较大时，生成的旅游规划较为详细，每日都有不同的行程。而Top P较小时，生成的旅游规划十分简单，而且还出现了 “专线 bus”、"泰山 train"这种不伦不类的用词。

2.6.3 测试Temperature对生成文本的影响

​ Temperature控制着生成文本的随机性。即值越小回答越死板，值越大回答越丰富。这个参数和Top P其实有点相似，经过查阅资料得知：

当 temperature 设置为较高值（接近1或大于1）时，模型在选择下一个 token 时，会倾向于选择概率较低的选项，从而产生更具创新性和多样性的输出。

当 temperature 设置为较低值（接近0但大于0）时，模型在选择下一个 token 时，会更偏向于选择概率较高的选项，从而产生更准确、更确定性的输出。

​ 所以，本次选择一个大语言模型表现不太的领域——数学，来考察 temperature 对生成文本的影响。

1. Temperature较大时，对年龄计算题的回答

   

2. Temperature较小时，对年龄计算题的回答

   

​ 可以看到，当 temperature 值较大时，回答的答案有推理思路，联想能力强，得到了正确的回答，而 temperature 值较小时，回答仅仅把题干中两个数字相加，未能理解题目的真正含义，死板的回复了错误的答案。

3 云端部署StableDiffusion模型

3.1 项目配置

1. 创建项目

   在趋动云用户工作台中，点击 快速创建 ，选择 创建项目，创建新项目。

2. 镜像配置

   选择 趋动云小助手 的 AUTOMATIC1111/stable-diffusion-webui 镜像。

   

3. 数据集配置

   在 公开 数据集中，选择 stable-diffusion-models 数据集。

   

   配置完成后，点击创建，要求上传代码时，选择 暂不上传 。

4. 初始化开发环境

   找到最右侧 “开发”-> “初始化开发环境实例”，我这里没按教程配置，因为SD生图需要较大显存，我选择了拥有24G显存的 B1.large，其他按教程一样，并设置了24h的最长运行时间。

   

3.2 环境配置

​ 因为数据集代码有所变化，所以教程中有些步骤可以省略，以下为具体步骤。

1. 解压代码及模型

   tar xf /gemini/data-1/stable-diffusion-webui.tar -C /gemini/code/ 
   1

2. 拷贝frpc内网穿透文件

   chmod +x /root/miniconda3/lib/python3.10/site-packages/gradio/frpc_linux_amd64_v0.2
   1

3. 拷贝模型文件到项目目录下

   cp /gemini/data-1/v1-5-pruned-emaonly.safetensors /gemini/code/stable-diffusion-webui/
   1

4. 更新系统httpx依赖

   pip install httpx==0.24.1
   1

5. 运行项目

   cd /gemini/code/stable-diffusion-webui && python launch.py --deepdanbooru --share --xformers --listen
   1

   运行项目后，点击右侧添加，创建 外部访问链接 。

   

6. 访问StableDiffusion的WebUI

   复制外部访问链接，在浏览器粘贴并访问，就成功打开WebUI界面啦。

   

7. 生成镜像

   点击右上角 将当前环境制作为镜像，点击 智能生成，在 AUTOMATIC1111/stable-diffusion-webui 基础镜像下生成，点击 构建，完成对镜像的构建。

   

   之后安装上一章的步骤，将镜像配置到你的项目里就好啦。

配置好环境后，再次访问，在终端输入以下指令直接运行 WebUI 。

cd /gemini/code/stable-diffusion-webui && python launch.py --deepdanbooru --share --xformers --listen
1

3.3 StableDiffusion 使用

1. 生成第一张美图

   部署好了当然是要生成一张图，我选择生成一张猫猫图，结果如下。

   

   ​ 库自带的模型是 v1-5-pruned-emaonly 模型，这个模型是官方的1.5 版本预训练模型，是在512*512的小尺寸图像上训练的，所以说如果图像尺寸超过1000的话，容易出现多头多人的情况。

   ​ 在这里我选择的参数与提示词如下：

   • 提示词(prompt)：

     1 cat
     1

   • 负面提示词(Negative prompt)：

     out of frame,(worst quality, low quality, normal quality:2),text,bad eyes,weird eyes closed eyes,badhandv4:0.8,OverallDetail,render,bad quality,worst quality,signature,watermark,extra limbs,
     1

   • 迭代步数(Steps)、采样器(Sampler)、提示词相关性(CFG scale)：

     Steps: 20, Sampler: DPM++ SDE Karras, CFG scale: 7, 
     1

   • 随机种子(Seed)、图像尺寸(Size)、模型(Model)

     Seed: 3052626755, Size: 384x512, Model hash: 6ce0161689, Model: v1-5-pruned-emaonly, Version: v1.6.0
     1

   生成的猫猫图如下：

   

2. 批量生成

   我想要更多的猫猫图，于是增大了生成的 Batch Count 和Batch size，生成结果如下。

   

   可以看到一下生成了16张猫猫图，它实际上是分了两批，每批生成8张，这样生成的。Batch count 控制了生成批次的数量，Batch size 控制每批生成图片的数量。Batch size 越大对显卡显存要求越高，当然白嫖的24g显存不在话下了。

   

   可以看到生成的图像各有千秋，甚至有的生成了个房子（太离谱了），所以选择合适的种子很重要。可以通过批量生成找到自己喜欢的图像风格的种子，固定下来进行进一步操作。

   我很喜欢第四张，大脸狸花猫，于是点开图片，可以在图片下方看到种子号 2617670965。

   

3. 图像放大

   我想放大刚才选中的大脸狸花猫图，可以通过固定种子，并通过 Hires fix 的方法放大生成图像。

   我想使用一个名为 R-ESRGAN4x 的放大算法，从云平台下载太慢了，选择从 该github链接 本地下载，并放在/gemini/code/stable-diffusion-webui/models/RealESRGAN/RealESRGAN_x4plus.pth路径下。

   设置以下参数，重新生成，结果如下。

   

   成功将图像尺寸放大到原来的两倍，即 768*1024 的尺寸。图像参数如下：

   1 cat
   Negative prompt: out of frame,(worst quality, low quality, normal quality:2),text,bad eyes,weird eyes closed eyes,badhandv4:0.8,OverallDetail,render,bad quality,worst quality,signature,watermark,extra limbs,
   Steps: 20, Sampler: DPM++ SDE Karras, CFG scale: 7, Seed: 2617670965, Size: 384x512, Model hash: 6ce0161689, Model: v1-5-pruned-emaonly, Denoising strength: 0.35, Hires upscale: 2, Hires upscaler: R-ESRGAN 4x+, Version: v1.6.0
   1
   2
   3

   猫猫图如下：

   

   效果还不错，不过我还想让他更清晰一点，于是选择让他放大4倍，结果如下。

   

   可以看到，真的清晰了不少。

4. 图生图

   图生图就是以给的图片为基准，生成其他的图片，我就像用刚才生成的猫猫图，来生成一个宇宙的星系，于是写了以下的提示词。

   stars,out space,galaxy,
   1

   负面提示词不变，分两个批次生成16张星系图片，结果如下。

   

   可以看到，生成了具有猫猫形状的星系图案，我从中挑了一张最喜欢的，就是下面这张。

   

   图片参数如下：

   stars,out space,galaxy,
   Negative prompt: out of frame,(worst quality, low quality, normal quality:2),text,bad eyes,weird eyes closed eyes,badhandv4:0.8,OverallDetail,render,bad quality,worst quality,signature,watermark,extra limbs,
   Steps: 20, Sampler: DPM++ 2M Karras, CFG scale: 3, Seed: 3318537879, Size: 768x1024, Model hash: 6ce0161689, Model: v1-5-pruned-emaonly, Denoising strength: 0.7, Version: v1.6.0
   1
   2
   3

   以上就尝试玩SD的基本功能啦，之后可以再玩一些进阶玩法，用更厉害的模型，添加lora、ControlNet等插件，生成更可控好看的图片。

3.4 安装插件

​ 因为云平台版本原因，没办法直接安装插件、模型，会以下报错。

​ 于是只能靠自己上传文件，或者从公共平台找合适的数据集。从公共数据集可以找到这个数据集，里面有许多常用的 扩展 和 模型 ，如常用的 麦橘真实majicmixRealistic v7.safetensor。

​ 还有这个数据集，里面也有许多插件。

​ 或者可以自己上传数据集，通过STFP上传文件。

这时候，就可以通过其他模型来绘制更好看的图像，比如输入以下提示词，绘制图像如下。

1 girl,happy,real,
Negative prompt: out of frame,(worst quality, low quality, normal quality:2),text,bad eyes,weird eyes closed eyes,OverallDetail,render,bad quality,worst quality,signature,watermark,extra limbs, bad-hands-5,bad_prompt_version2-neg
Steps: 20, Sampler: DPM++ SDE Karras, CFG scale: 2, Seed: 2137894007, Size: 768x1024, Model hash: 7c819b6d13, Model: majicmixRealistic_v7, Version: v1.6.0
1
2
3