淘宝客网站根目录,建公司网站流程,网站开通流程,加盟做地方门户网站本项目是一个围绕开源大模型、针对国内初学者、基于 AutoDL 平台的中国宝宝专属大模型教程#xff0c;针对各类开源大模型提供包括环境配置、本地部署、高效微调等技能在内的全流程指导#xff0c;简化开源大模型的部署、使用和应用流程#xff0c;让更多的普通学生、研究者…本项目是一个围绕开源大模型、针对国内初学者、基于 AutoDL 平台的中国宝宝专属大模型教程针对各类开源大模型提供包括环境配置、本地部署、高效微调等技能在内的全流程指导简化开源大模型的部署、使用和应用流程让更多的普通学生、研究者更好地使用开源大模型帮助开源、自由的大模型更快融入到普通学习者的生活中。
【项目地址】 https://github.com/datawhalechina/self-llm.git
Phi-4 Langchain接入
环境准备
本文基础环境如下
----------------
ubuntu 22.04
python 3.12
cuda 12.1
pytorch 2.3.0
----------------本文默认学习者已安装好以上 Pytorch(cuda) 环境如未安装请自行安装。 pip 换源加速下载并安装依赖包
# 升级pip
python -m pip install --upgrade pip
# 更换 pypi 源加速库的安装
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simplepip install transformers4.44.2
pip install huggingface-hub0.25.0
pip install accelerate0.34.2
pip install modelscope1.18.0
pip install langchain0.3.0考虑到部分同学配置环境可能会遇到一些问题我们在AutoDL平台准备了Phi-4的环境镜像点击下方链接并直接创建Autodl示例即可。 https://www.codewithgpu.com/i/datawhalechina/self-llm/Qwen2.5-self-llm 模型下载
使用魔搭社区中的 modelscope 中的 snapshot_download 函数下载模型第一个参数为模型名称如何找到该名称可以在魔搭社区搜该模型如下图中所框参数 cache_dir 为模型的下载路径参数revision一般默认为master。
在/root/autodl-tmp 新建 model_download.py 文件并在其中输入以下内容粘贴代码后记得保存文件如下所示。并运行 python model_download.py 执行下载模型大小为 28 GB左右下载模型大概需要10到 20 分钟。
import torch
from modelscope import snapshot_download, AutoModel, AutoTokenizer
import os
model_dir snapshot_download(LLM-Research/phi-4, cache_dir/root/autodl-tmp, revisionmaster)注意记得修改 cache_dir 为你的模型下载路径哦~ 代码准备
为便捷构建 LLM 应用我们需要基于本地部署的 Phi_4_LLM自定义一个 LLM 类这个类主要用于加载和调用一个基于本地的预训练语言模型,如Phi_4并根据1给定的提示生成文本响应将 Phi_4 接入到 LangChain 框架中。完成自定义 LLM 类之后可以以完全一致的方式调用 LangChain 的接口而无需考虑底层模型调用的不一致。
基于本地部署的 Phi_4 自定义 LLM 类并不复杂我们只需从 LangChain.llms.base.LLM 类继承一个子类并重写构造函数与 _call 函数即可
在当前路径新建一个 LLM.py 文件并输入以下内容粘贴代码后记得保存文件。
from langchain.llms.base import LLM #基础类用于实现自定义的语言模型
from typing import Any, List, Optional
from langchain.callbacks.manager import CallbackManagerForLLMRun #回调管理器用于处理在模型运行期间的事件
from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig, LlamaTokenizerFast #Hugging Face 提供的库用于加载预训练的 NLP 模型
import torchclass Phi_4_LLM(LLM):# 基于本地 Phi_4 自定义 LLM 类tokenizer: AutoTokenizer None #tokenizer:用于将输入文本转换为模型可以理解的 tokenmodel: AutoModelForCausalLM None #model:预训练的语言模型 def __init__(self, mode_name_or_path :str): #__init__ 方法初始化模型和分词器super().__init__()print(正在从本地加载模型...)self.tokenizer AutoTokenizer.from_pretrained(mode_name_or_path, use_fastFalse) #使用 AutoTokenizer.from_pretrained 加载分词器self.tokenizer.pad_token_id self.tokenizer.eos_token_id 100265self.model AutoModelForCausalLM.from_pretrained(mode_name_or_path, torch_dtypetorch.bfloat16, device_mapauto) #使用 AutoModelForCausalLM.from_pretrained 加载预训练的因果语言模型并设置数据类型为 bfloat16使用自动设备分配策略。self.model.generation_config GenerationConfig.from_pretrained(mode_name_or_path) #设置生成配置print(完成本地模型的加载)def _call(self, prompt : str, stop: Optional[List[str]] None,run_manager: Optional[CallbackManagerForLLMRun] None,**kwargs: Any): #_call 方法用于生成文本响应messages [{role: user, content: prompt }] #构造消息列表包含用户的角色和提示内容input_ids self.tokenizer.apply_chat_template(messages, tokenizeFalse, add_generation_promptTrue) #使用 apply_chat_template 方法应用聊天模板并获取输入 IDmodel_inputs self.tokenizer([input_ids], return_tensorspt).to(self.model.device) #将输入 ID 转换为 PyTorch 张量并移动到 GPU 上generated_ids self.model.generate(model_inputs.input_ids, attention_maskmodel_inputs[attention_mask], max_new_tokens512) #使用 generate 方法生成新的 tokengenerated_ids [output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)] #处理生成的 token移除输入部分只保留新生成的部分response self.tokenizer.batch_decode(generated_ids, skip_special_tokensTrue)[0] return response #将生成的 token 解码为文本响应并返回propertydef _llm_type(self) - str:return Phi_4在上述类定义中我们分别重写了构造函数和 _call 函数对于构造函数我们在对象实例化的一开始加载本地部署的 Phi_4 模型从而避免每一次调用都需要重新加载模型带来的时间过长_call 函数是 LLM 类的核心函数LangChain 会调用该函数来调用 LLM在该函数中我们调用已实例化模型的 generate 方法从而实现对模型的调用并返回调用结果。
在整体项目中我们将上述代码封装为 LLM.py后续将直接从该文件中引入自定义的 LLM 类。
调用
然后就可以像使用任何其他的langchain大模型功能一样使用了。 注意记得修改模型路径为你的路径哦~ from LLM import Phi_4_LLM
llm Phi_4_LLM(mode_name_or_path /root/autodl-tmp/LLM-Research/phi-4)print(llm(你是谁))报错
在调用的时候我出现了一个报错如下图所示
报错原因是我一开始在LLM.py文件中写的类名是Phi_4,然后from LLM import Phi_4_LLM 这行代码的作用是从 LLM 模块中导入 Phi_4_LLM 类将这两者保持一致即可。所以将Phi_4修改为Phi_4_LLM后就调用成功了~嘻嘻
