Ubuntu22.04本地部署qwen模型、jupyterlab开发环境、LoRA微调全流程_ubuntu安装jupyterlab

前言

这段时间在自己的Win11系统上部署了chatGLM以及Qwen模型，进行对话、推理以及工具调用都没有问题，但是在尝试进行微调的时候发现好像并不能成功，因此花费了很大的力气，又分别在ubuntu桌面版、windows子系统WSL2 Ubuntu上部署了Qwen模型，并尝试进行LoRA的微调实践。

由于过程比较多，步骤较为繁琐，我可能会分几个部分进行叙述。首先介绍一下我的两个环境（平民玩家，勿喷）：

一台笔记本安装的Ubuntu22.04桌面版：

显卡是1070M 8G

一台台式电脑，安装的Win11系统、WSL2（Ubuntu22.04分发版）

显卡是4060Ti 16G

下边开始安装配置，对于windows系统来说是WSL2上的Ubuntu，下边我简称WSL2。

开始配置环境

第一步：安装python环境

在大模型的开发中，首选conda环境，因为conda提供了对于科学计算以及常用的所有的包，免去了我们安装大量的第三方库的问题。

首先到到anaconda的官方地址：

https://repo.anaconda.com/archive/

选择一个需要安装的conda包，对于大模型开发，首选python3.11版本的conda，如下所示：

在Ubuntu22.04桌面版上不用说，下载后，直接在downloads文件夹下打开终端：

sh 下载的包名（在Linux系统上输入前几个字母，例如An按tab键就可以补全了）

WSL2环境，可以先通过windows系统下载好文件，再移动到Linux环境中（可以在资源管理器中找到），例如这样：

采用windows终端打开Ubuntu：

或者直接点击也行：

再切换到你放置conda包的地方，同样使用：

sh 下载的包名

就可以开始安装。

安装过程就是一直按enter：

最后一步要输入yes

再输入yes，不能按得太快，默认不接收协议就退出安装了。

安装完成：

在Ubuntu桌面版可以直接输入：python -V查看python版本

这就是默认将conda环境作为系统的默认python解释器了。

WSL2，我直接输入python，发现系统并不能识别python命令，通过查询，需要激活conda环境：

 source /home/<用户名>/anaconda3/bin/activate

请<用户名>为自己的。

输入之后就发现光标前面多了一个base，证明conda已经启用：

第二步：安装CUDA

CUDA是英伟达专为深度学习设计的加速库，广泛应用与当前的大模型开发中，因此必须要安装CUDA。这个也说明，要进行大模型的研究，只能选用N卡，A卡是不能够进行训练或者推理的。

我们直接输入：

nvcc --version

看看机器是否已经安装了CUDA，如果下图所示：

这就是没有安装，这里Ubuntu提示使用sudo apt install nvidia-cuda-toolkit 去安装该库。这个我已经替大家试过了，采用这个命令，它默认安装的是CUDA11.5：

而不管你是什么显卡，CUDA11.5对于后续的开发是不够的，因此不能采用这种方法。

正确的安装方法如下：

需要到网址：

CUDA Toolkit 12.4 Update 1 Downloads | NVIDIA Developer

按照自己的需要选择CUDA版本。

先查看自己的显卡支持的最高cuda：

nvidia-smi

右侧出现CUDA Version就是当前环境能够支持的最高CUDA版本。

1070M显卡在Ubuntu22.04上居然支持CUDA12.2，也是相当可以（我记得之前安装Ubuntu18.04的时候最高只能支持11.几）：

4060Ti能够支持最新版本12.4

安装网页的指示一步一步的执行：

安装完成之后需要手动修改环境变量！！

vi ~/.bashrc

按i键开始插入内容 按↓键滑到文末，复制以下内容：

export PATH=$PATH:/usr/local/cuda/bin

然后重启WSL2:

wsl --shutdown
 
wsl -d Ubuntu

再输入nvcc -V就可以看到已经安装成功了：

如果安装错了CUDA版本，例如之前使用sudo apt install nvidia-cuda-toolkit 安装的，可以通过以下命令卸载以安装的，再进行重装即可：

（我之前就采用默认命令安装，导致后续的问题，因此需要重装，开始竟然一时找不到卸载CUDA的方法，这个是在官方文档中找到的，采用以下三个步骤： ）

sudo apt-get --purge remove "*cuda*" "*cublas*" "*cufft*" "*cufile*" "*curand*" \
 "*cusolver*" "*cusparse*" "*gds-tools*" "*npp*" "*nvjpeg*" "nsight*" "*nvvm*"
 
 sudo apt-get --purge remove "*nvidia*" "libxnvctrl*"
 
 sudo apt-get autoremove

（对于WSL2执行这些命令后，这里有个提示，如果是WSL2采用了以上卸载命令，发现虽然CUDA已经卸载完了，但是我们电脑的C盘空间还是没有变多。这是由于WSL2采用的虚拟盘只能扩大，不能自动缩容，需要手动进行压缩，大家可以自行百度解决。）

由于我的笔记本只能支持12.2所以转到历史版本：

我这里选择12.2.0：

按照给出的命令依次执行：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
 
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
 
wget https://developer.download.nvidia.com/compute/cuda/12.2.0/local_installers/cuda-repo-ubuntu2204-12-2-local_12.2.0-535.54.03-1_amd64.deb
 
sudo dpkg -i cuda-repo-ubuntu2204-12-2-local_12.2.0-535.54.03-1_amd64.deb
 
sudo cp /var/cuda-repo-ubuntu2204-12-2-local/cuda-*-keyring.gpg /usr/share/keyrings/
 
sudo apt-get update
 
sudo apt-get -y install cuda

执行完之后也需要修改环境变量：

vi ~/.bashrc

环境变量修改完之后，载入配置文件：

source ~/.bashrc

再输入nvcc -V,安装成功：

第三步：安装CUDNN（这个可以不安装）

网址：

cuDNN Archive | NVIDIA Developer

选择一个版本：

解压

xz -d cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz
tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar

将解压后的文件夹重命名

mv cudnn-linux-x86_64-8.9.7.29_cuda12-archive cuda

移动文件：

sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp -P cuda/lib/libcudnn* /usr/local/cuda/lib64 

添加权限：

sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

ok，到这里CUDNN就安装完成了，至于怎么验证是否安装成功吧，咳咳，我也不知道...反正下边的命令对我来说没用：

cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

开发环境配置

桌面版可以安装pycharm，我们这里介绍jupyter-lab配置

jupyter-lab配置

这块主要是为了在windows上去方便的修改WSL2上面的文件，如果是在Ubuntu桌面版上可以直接安装pycharm，但是jupyterlab在某些方面是非常的方便，还是很推荐的，当然你也可以在pycharm中建立jupyternotebook也是一样的。

直接输入命令进行安装：

pip install jupyterlab

如果是桌面版再输入：jupyter-lab即可启动，也不需要过多的配置：

如果是WSL2，在Ubuntu上安装的jupyter-lab需要在windows上访问需要以下的配置：

我们启动后，在本地访问后看到，需要提供密码：

我们需要做一些额外的配置。

远程加密设置jupyterlab访问密码的方法

from jupyter_server.auth import passwd
passwd()

记录生成的密文

生成配置文件：

jupyter lab --generate-config

使用Vim编辑器打开该文件

vim /home/renjintao/.jupyter/jupyter_lab_config.py

/password =进行查找

按enter键定位到

按i进行插入修改，填入之前生成的密文密码：

你也可以采用同样的方式设置其他的配置：

ServerApp.allow_origin = '*'
 
ServerApp.allow_remote_access = True
 
ServerApp.ip = '0.0.0.0'
 
ServerApp.open_browser = False
 
ServerApp.password = '加密后的密码'
 
ServerApp.port = 8002  *# 如果这里的端口没有修改，它还是默认的8888*

修改完成后输入:wq保存退出。

启动命令：

jupyter-lab

或者，采用后台启动的命令：

nohup jupyter lab --allow-root > jupyterlab.log 2>&1 &

本地打开浏览器

127.0.0.1:8888

输入自己设置的密码即可访问：

设置jupyter-lab的默认启动位置：

创建配置文件

jupyter notebook --generate-config

用vim编辑器打开该文件：

vim /home/<用户名>/.jupyter/jupyter_notebook_config.py

先按下/

输入：c.NotebookApp.notebook_dir

按enter

按i

修改如下：

保存退出

:wq

重启jupyter Lab的命令（针对后台启动的方式，如果直接采用jupyter-lab的方式启动的，按Ctrl+C停止进程，再次输入jupyter-lab即可）

先查看进程：

ps aux | grep jupyter

杀死进程：

kill -9 进程号

再次启动：

nohup jupyter lab --allow-root > jupyterlab.log 2>&1 &

可以按到jupyter Lab已经默认启动到需要的路径下了：

到目前为止机器的运行环境，以及我们要用到的编程环境都差不多了，下一部分将开始建立具体大模型的运行环境。

开始部署

建立虚拟环境

建立Qwen的虚拟环境

conda create -n qwen python=3.11

切换到虚拟环境

conda activate qwen

克隆项目文件

git clone https://github.com/QwenLM/Qwen

安装依赖文件

cd Qwen
​
pip install -r requirements.txt

安装GPU版本pytorch

到网址：

Start Locally | PyTorch

找到匹配cuda版本的pytorch版本安装命令：

12.x版本

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

11.x版本

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

非常快速的安装完成：

验证pytorch是否安装成功

输入python进入到解释器环境：

import torch
print(torch.__version__)
print(torch.cuda.is_available())

如果输出是True，则安装成功

配置jupyterlab

为虚拟环境建立kernel

conda install -n qwen ipykernel

将虚拟环境的kernel写入jupyterlab

python -m ipykernel install --user --name qwen --display-name qwen

再重启一下jupyterlab

下载模型

通过魔搭社区下载模型文件，执行下载命令前先安装：

pip install modelscope

方法1：Ubuntu桌面版采用：用pycharm打开项目，设置环境变量：

新建一个py文件：

写入以下代码：

#模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('qwen/Qwen-1_8B-Chat', cache_dir='./model', revision='master')

右键运行，开始下载：

下载完成

下载到本文件夹下的路径：

方法2：采用jupyterlab

在右侧notebook中输入

#模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('qwen/Qwen-1_8B-Chat', cache_dir='./model', revision='master')

点击运行

下载完成，可以看到本地路径下出现：

我们WSL2这边顺带再下载一个7B模型

#模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('qwen/Qwen-7B-Chat', cache_dir='./model', revision='master')

运行

下载成功。

启动大模型测试

命令行脚本

修改cli_demo.py脚本中的本地模型路径：

DEFAULT_CKPT_PATH = './model/qwen/Qwen-1_8B-Chat'
DEFAULT_CKPT_PATH = './model/qwen/Qwen-7B-Chat'

jupyterlab修改

启动模型试试：

成功启动模型，再对话试试：

或者在终端输入：

python cli_demo.py

启动成功：

WSL2（16G显存）上测试一下7B模型：

再次运行：

python cli_demo.py

加载就慢很多了：

对话的反应也很慢：

测试网页demo

需要安装相应的依赖：

pip install -r requirements_web_demo.txt

再启动web-demo试试：

pycharm：

jupyterlab

注意我这里是7B模型

启动网页脚本：

python web_demo.py

启动成功。

打开浏览器，输入127.0.0.1:8000访问

显卡监控命令

nvidia-smi

或者每秒查看一次进行监控：

watch -n 1 nvidia-smi

1.8模型下的显卡占用：

7B模型下的显卡占用：

flash-attention安装

注意到之前在启动模型时，提示：

这就是没有安装flash-attention，flash-attention是一种推理加速框架。

flash-attention主要进行计算层的并行优化。

！！ 在多次尝试后发现我的4060Ti根本用不了flash-attention2，非常的郁闷，等到后期用到GTX 3090、4090以及更高规格的显卡，再进一步尝试吧！！

安装方法如下：

先安装依赖包

pip install packaging
pip install ninja

Releases · Dao-AILab/flash-attention (github.com)

下载flash-attention库的预编译包

按照自己的pytorch版本、cuda以及python版本下载版本

例如pytorch2.3，CUDA 11.X，python3.11版本：

pytorch2.3，CUDA 12.X，python3.11版本

如果不知道自己的torch版本

在jupyterlab中输入：

pip list

可以用wget命令

下载好了安装包，放到一个文件中：

我的WSL2，也可以直接windows上下载好了，直接放到Ubuntu文件中去：

再切换到目录：

安装预编译文件：

pip install 该安装包名

pip install flash_attn-2.5.7+cu122torch2.3cxx11abiTRUE-cp311-cp311-linux_x86_64.whl

成功安装：

再回到之前的qwen文件夹：

克隆flash-attention项目文件

git clone https://github.com/Dao-AILab/flash-attention

网络不好的时候可能需要多尝试几次：

cd到该文件夹：

cd flash-attention/csrc/layer_norm

将需要的另外的组件，预编制到当前机器上：

MAX_JOBS=4 python setup.py install

如果之前安装默认的CUDA 这里会提示：

CUDA 11.6以下的版本不支持flash-attention！！！

正确安装的界面如下：