本地运行Gemma的pytorch集成

Gemma是Google在2024年2月21日发布的一款轻量的开源大模型，采用了和Google Gemini模型一样的技术。有猜测Google在毫无预告的情况下急忙发布Gemma是对Meta的Llama3的截胡，但不管怎么说作为名厂名牌的大模型，自然要上手尝试尝试。

这次发布的Gemma有2B参数和7B参数两个版本，两个版本又分别提供了预训练(Pretrained)和指令调试(Instruction tuned)两个版本。预训练版本做了基础训练，而指令调试版本做了根据人类语言交互的特定训练调整，所以如果直接拿来做会话使用可以下载it版本。2B和7B在于参数量的多少，7B需要更多的资源去运行。

好了，前面啰嗦了一堆背景，为了引出这里介绍2b-it版本地部署的原因——耗资源少且可以本地使用会话。

准备环境

• 安装python venv，命名gemma-torch

conda env create -n "gemma-torch"

• 激活虚拟环境

conda activate gemma-torch

• 安装依赖的库

pip install torch immutabledict sentencepiece numpy packaging

 后面两个库不是官方文档里要求的，但是根据我执行报错，需要安装。另外上面命令也取消了-q -U简单粗暴也方便观察。

为了后续用代码连接kaggle下载模型，还需要安装kagglehub包：

pip install kagglehub

连接kaggle

这一步的目的是从kaggle上面下载模型。

• 首先获取kaggle的访问权限

登录kaggle，在设置页面(https://www.kaggle.com/settings)的API一节点击“Create New Token”，会触发下载kaggle.json。

• 配置环境

将kaggle.json文件拷贝到~/.kaggle/目录下。并在~/.bash_profile中设置环境变量KAGGLE_CONFIG_DIR为~/.kaggle。

这样就可以通过下面代码访问(后面的代码写到一块，不需要此处执行)。

import kagglehub
 
kagglehub.login()

运行代码

经过前面的配置后，可以代码本地运行2b-it模型了。不过加载模型还需要gemma_pytorch包。

从github仓库clone到本地：

# NOTE: The "installation" is just cloning the repo.
git clone https://github.com/google/gemma_pytorch.git

将下载好的gemma_pytorch文件夹放到下面脚本文件同一级目录下 ，并在~/.bash_profile中设置PYTHONPATH环境变量包含该文件夹路径。

最后运行脚本(gemma_torch.py)：

# Choose variant and machine type
import kagglehub
import os
import sys
from gemma_pytorch.gemma.config import get_config_for_7b, get_config_for_2b
from gemma_pytorch.gemma.model import GemmaForCausalLM
import torch
 
 
VARIANT = '2b-it'
#如果是cpu运行，将下面cuda改成cpu，不过巨慢
MACHINE_TYPE = 'cuda'
 
# Load model weights
# 模型下载到了~/.cache目录下
weights_dir = kagglehub.model_download(f'google/gemma/pyTorch/{VARIANT}')
 
# Ensure that the tokenizer is present
tokenizer_path = os.path.join(weights_dir, 'tokenizer.model')
assert os.path.isfile(tokenizer_path), 'Tokenizer not found!'
 
# Ensure that the checkpoint is present
ckpt_path = os.path.join(weights_dir, f'gemma-{VARIANT}.ckpt')
assert os.path.isfile(ckpt_path), 'PyTorch checkpoint not found!'
 
# Set up model config.
model_config = get_config_for_2b() if "2b" in VARIANT else get_config_for_7b()
model_config.tokenizer = tokenizer_path
model_config.quant = 'quant' in VARIANT
 
# Instantiate the model and load the weights.
torch.set_default_dtype(model_config.get_dtype())
device = torch.device(MACHINE_TYPE)
model = GemmaForCausalLM(model_config)
model.load_weights(ckpt_path)
model = model.to(device).eval()
 
# Generate with one request in chat mode
 
# Chat templates
USER_CHAT_TEMPLATE = '<start_of_turn>user\n{prompt}<end_of_turn>\n'
MODEL_CHAT_TEMPLATE = '<start_of_turn>model\n{prompt}<end_of_turn>\n'
 
# Sample formatted prompt
prompt = (
    USER_CHAT_TEMPLATE.format(
        prompt='What is a good place for travel in the US?'
    )
    + MODEL_CHAT_TEMPLATE.format(prompt='California.')
    + USER_CHAT_TEMPLATE.format(prompt='What can I do in California?')
    + '<start_of_turn>model\n'
)
print('Chat prompt:\n', prompt)
 
model.generate(
    USER_CHAT_TEMPLATE.format(prompt=prompt),
    device=device,
    output_len=100,
)
 
# Generate sample
model.generate(
    'Write a poem about an llm writing a poem.',
    device=device,
    output_len=60,
)
 

一点后话

能用GPU还是上GPU吧，我本地用的CPU笔记本跑的巨慢。

可以在线使用colab，具体步骤参考这个帖子(昨天Google发布了最新的开源模型Gemma，今天我来体验一下_gemma_lm.generate-CSDN博客)。

不过我在使用过程中发现T4经常在预测执行时报OOM，导致无法产出结果。

参考资料：

pytorch中使用Gemma: https://ai.google.dev/gemma/docs/pytorch_gemma

官方文档地址：https://ai.google.dev/gemma/docs