在 Linux 和 M1 macOS 上自托管运行清华开源语言模型 ChatGLM-6B

博主： tl.s
发布时间：2023 年 04 月 15 日
195 次浏览
暂无评论
6651字数
分类：技术笔记

ChatGLM-6B 是一个由清华 THUDM 开源的、支持中英双语的对话语言模型，基于 Gener

al Language Model (GLM) 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（

ChatGLM-6B 是一个由清华 THUDM 开源的、支持中英双语的对话语言模型，基于 General Language Model (GLM) 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。

ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 已经能生成相当符合人类偏好的回答，更多信息请参考他们的博客。

我分别在以下平台做了测试：

Macbook Air M1 8G
VM - Debian 11 32C64G noGPU x86

其中 M1 平台下由于内存不足，只能够通过交换内存的方式艰难完成加载，在进行对话时会犹豫资源占用过高被杀。

在 Linux 虚拟机下可以正常运行和对话，但是速度稍慢，有 GPU 应该会快很多。

本文仅介绍在以上两种平台下的完整运行方法。

安装过程请全程自备加速器！

M1 MacOS 运行方法

在 M1 MacOS 下需要通过以下步骤配置安装，请按顺序进行。

环境安装

首先拉取代码仓库：

# 拉取仓库
$ git clone https://github.com/THUDM/ChatGLM-6B.git
 $ cd ChatGLM-6B
# 安装依赖
$ pip install -r requirements.txt

本地拉取模型

在 macOS 下运行必须手动拉取模型后本地加载，以下是本地模型拉取步骤。

从 Hugging Face Hub 下载模型需要先安装 Git LFS，然后运行

git clone https://huggingface.co/THUDM/chatglm-6b

如果你从 Hugging Face Hub 上下载 checkpoint 的速度较慢，可以只下载模型实现

GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/THUDM/chatglm-6b

然后从这里手动下载模型参数文件，并将下载的文件替换到本地的 chatglm-6b 目录下。

下载结束后，需要在 web_demo.py 或 cli_demo.py 中更新模型位置。

代码中默认从 THUDM/chatglm-6b 加载模型。

我们可以将目录移动过去：

$ mkdir THUDM
$ mv chatglm-6b THUDM\

或是将代码中的 THUDM/chatglm-6b 替换为本地的 chatglm-6b 文件夹的路径。

GPU 加速

对于搭载了 Apple Silicon 的 Mac（以及 MacBook），可以使用 MPS 后端来在 GPU 上运行 ChatGLM-6B。需要参考 Apple 的官方说明安装 PyTorch-Nightly。

主要步骤如下：

## 拉取配置脚本
curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.sh
## 配置
sh Miniconda3-latest-MacOSX-arm64.sh
source ~/.zshrd
## 关闭自动激活
conda config --set auto_activate_base false
## 安装
conda install pytorch torchvision torchaudio -c pytorch-nightly

配置结束后修改 web_demo.py 或 cli_dmeo.py 中的这一行即可加速：

-model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda()
+#model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda()
+model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().to('mps')

调整模型加载方式

以上配置后运行会在模型加载报错，查阅资料需要修改一下模型仓库中的 THUDM/chatglm-6b/modeling_chatglm.py 这个文件，并做一下修改：

diff --git a/modeling_chatglm.py b/modeling_chatglm.py
index f285bcb..a288085 100644
--- a/modeling_chatglm.py
+++ b/modeling_chatglm.py
@@ -1422,7 +1422,7 @@ class ChatGLMForConditionalGeneration(ChatGLMPreTrainedModel):
         if bits == 0:
             return

-        from .quantization import quantize
+        #from .quantization import quantize

         if self.quantized:
             logger.info("Already quantized.")
@@ -1432,5 +1432,5 @@ class ChatGLMForConditionalGeneration(ChatGLMPreTrainedModel):

         self.config.quantization_bit = bits

-        self.transformer = quantize(self.transformer, bits, empty_init=empty_init, **kwargs)
+        #self.transformer = quantize(self.transformer, bits, empty_init=empty_init, **kwargs)
         return self

注释了两行，暂时不清楚是什么含义，但注释之后就可以运行了，如果有知道的大神请指教。

运行

这里以 web_demo.py 为例，cli_dmeo.py 类比。

在 macOS 下我对该文件总共做了以下几处的修改：

diff --git a/web_demo.py b/web_demo.py
index 97ea622..f302bff 100644
--- a/web_demo.py
+++ b/web_demo.py
@@ -1,9 +1,13 @@
 from transformers import AutoModel, AutoTokenizer
 import gradio as gr
 import mdtex2html
+import os
+
+os.environ['PYTORCH_MPS_HIGH_WATERMARK_RATIO'] = '0.0'

 tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True)
-model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda()
+#model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda()
+model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().to('mps')
 model = model.eval()

 """Override Chatbot.postprocess"""
@@ -98,4 +102,4 @@ with gr.Blocks() as demo:

     emptyBtn.click(reset_state, outputs=[chatbot, history], show_progress=True)

-demo.queue().launch(share=False, inbrowser=True)
+demo.queue().launch(share=True, inbrowser=True)
(END)

几处修改的目的分别如下：

解除内存限制，可能由于内存占用过高导致系统崩溃，如果不配置可能无法继续，我的 8G 运存很卡但暂时没有遇到崩溃，是否配置自行评估；
修改模型加载方式，用于调用 M1 芯片 GPU 加速；
开启共享链接，可以通过共享链接来访问，但不建议使用，速度很慢。不开启貌似会报错；

针对 cli_demo.py 只需要修改上面前两部分即可运行。

这样就可以运行起来了，web 版会自动弹出浏览器。

我这里由于资源实在有限，能加载已经很费力了，一旦对话就会强制退出。如果你的资源足够应该可以正常运行。

Linux noGPU 环境运行

手头没有 GPU 设备，在 Linux 环境下可以使用 CPU 的方式运行，会有比较高的内存和 CPU 占用。

环境准备 & 本地模型加载

环境准备和本地模型加载过程类似，这里就不赘述了。

类比 macOS 下的操作方法准备环境和本地仓库，之后继续。

CPU 运行

如果没有 GPU 硬件的话，可以在 CPU 上进行推理，但是推理速度会更慢。使用方法如下（需要大概 32GB 内存）

model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).float()

如果你的内存不足，可以直接加载量化后的模型：

model = AutoModel.from_pretrained("THUDM/chatglm-6b-int4",trust_remote_code=True).float()

运行

上面 CPU 运行部分的方法摘自官方 Git 的说明，下面贴出我对运行代码修改的部分：

diff --git a/web_demo.py b/web_demo.py
index 97ea622..2d7597c 100644
--- a/web_demo.py
+++ b/web_demo.py
@@ -3,7 +3,8 @@ import gradio as gr
 import mdtex2html

 tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True)
-model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda()
+#model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda()
+model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).float()
 model = model.eval()

 """Override Chatbot.postprocess"""
@@ -98,4 +99,4 @@ with gr.Blocks() as demo:

     emptyBtn.click(reset_state, outputs=[chatbot, history], show_progress=True)

-demo.queue().launch(share=False, inbrowser=True)
+demo.queue().launch(share=True, inbrowser=False, server_name='0.0.0.0')

以上两处修改的目的如下：

使用纯 CPU 模式运行；
监听 0.0.0.0 用于外部访问。

这样就可以运行起来了。

References

最后修改：2024 年 09 月 05 日

如果觉得我的文章对你有用，请随意赞赏

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

评论 *

私密评论

名称 *

🎲

邮箱

地址

在 Linux 和 M1 macOS 上自托管运行清华开源语言模型 ChatGLM-6B

tl.s • 2023 年 04 月 15 日

<p>ChatGLM-6B 是一个由清华 THUDM 开源的、支持中英双语的对话语言模型，基于 Gener</p><p>al Language Model (GLM) 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（</p><p><img src="https://cdn-imagehost.frytea.com/images/2023/04/15/20230415180448a2c49a7697be35ba.png" alt="" title="" style=""></p><p>ChatGLM-6B 是一个由清华 THUDM 开源的、支持中英双语的对话语言模型，基于 <a href="https://frytea.com/go/aHR0cHM6Ly9naXRodWIuY29tL1RIVURNL0dMTQ" target="_blank" >General Language Model (GLM)</a> 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。</p><p><img src="https://cdn-imagehost.frytea.com/images/2023/04/15/20230415175952f317f46ef9d3cae7.png" alt="" title="" style=""></p><p>ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 已经能生成相当符合人类偏好的回答，更多信息请参考他们的 <a href="https://frytea.com/go/aHR0cHM6Ly9jaGF0Z2xtLmNuL2Jsb2c" target="_blank" >博客</a>。</p><p>我分别在以下平台做了测试：</p><ul><li>Macbook Air M1 8G</li><li>VM - Debian 11 32C64G noGPU x86</li></ul><p>其中 M1 平台下由于内存不足，只能够通过交换内存的方式艰难完成加载，在进行对话时会犹豫资源占用过高被杀。</p><p>在 Linux 虚拟机下可以正常运行和对话，但是速度稍慢，有 GPU 应该会快很多。</p><p><img src="https://cdn-imagehost.frytea.com/images/2023/04/15/2023041517471326c0e30400911771.png" alt="" title="" style=""></p><p>本文仅介绍在以上两种平台下的完整运行方法。</p><blockquote>安装过程请全程自备加速器！</blockquote><h2>M1 MacOS 运行方法</h2><p>在 M1 MacOS 下需要通过以下步骤配置安装，请按顺序进行。</p><h3>环境安装</h3><p>首先拉取代码仓库：</p><pre><code class="lang-bash"># 拉取仓库
$ git clone https://github.com/THUDM/ChatGLM-6B.git
 $ cd ChatGLM-6B
# 安装依赖
$ pip install -r requirements.txt</code></pre><h3>本地拉取模型</h3><p>在 macOS 下运行必须手动拉取模型后本地加载，以下是本地模型拉取步骤。</p><p>从 Hugging Face Hub 下载模型需要先 <a href="https://frytea.com/go/aHR0cHM6Ly9ibG9nLmZyeXRlYS5jb20vYXJjaGl2ZXMvNzc3Lw" target="_blank" >安装 Git LFS</a>，然后运行</p><pre><code class="lang-Shell">git clone https://huggingface.co/THUDM/chatglm-6b</code></pre><p>如果你从 Hugging Face Hub 上下载 checkpoint 的速度较慢，可以只下载模型实现</p><pre><code class="lang-Shell">GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/THUDM/chatglm-6b</code></pre><p>然后从 <a href="https://frytea.com/go/aHR0cHM6Ly9jbG91ZC50c2luZ2h1YS5lZHUuY24vZC9mYjlmMTZkNmRjOGY0ODI1OTZjMi8" target="_blank" >这里</a> 手动下载模型参数文件，并将下载的文件替换到本地的 <code>chatglm-6b</code> 目录下。</p><p>下载结束后，需要在 <code>web_demo.py</code> 或 <code>cli_demo.py</code> 中更新模型位置。</p><p>代码中默认从 <code>THUDM/chatglm-6b</code> 加载模型。</p><p>我们可以将目录移动过去：</p><pre><code class="lang-bash">$ mkdir THUDM
$ mv chatglm-6b THUDM\</code></pre><p>或是将代码中的 <code>THUDM/chatglm-6b</code> 替换为本地的 <code>chatglm-6b</code> 文件夹的路径。</p><h3>GPU 加速</h3><p>对于搭载了 Apple Silicon 的 Mac（以及 MacBook），可以使用 MPS 后端来在 GPU 上运行 ChatGLM-6B。需要参考 Apple 的 <a href="https://frytea.com/go/aHR0cHM6Ly9kZXZlbG9wZXIuYXBwbGUuY29tL21ldGFsL3B5dG9yY2g" target="_blank" >官方说明</a> 安装 PyTorch-Nightly。</p><p>主要步骤如下：</p><pre><code class="lang-bash">## 拉取配置脚本
curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.sh
## 配置
sh Miniconda3-latest-MacOSX-arm64.sh
source ~/.zshrd
## 关闭自动激活
conda config --set auto_activate_base false
## 安装
conda install pytorch torchvision torchaudio -c pytorch-nightly</code></pre><p>配置结束后修改 <code>web_demo.py</code> 或 <code>cli_dmeo.py</code> 中的这一行即可加速：</p><pre><code class="lang-python">-model = AutoModel.from_pretrained(&quot;THUDM/chatglm-6b&quot;, trust_remote_code=True).half().cuda()
+#model = AutoModel.from_pretrained(&quot;THUDM/chatglm-6b&quot;, trust_remote_code=True).half().cuda()
+model = AutoModel.from_pretrained(&quot;THUDM/chatglm-6b&quot;, trust_remote_code=True).half().to('mps')</code></pre><h3>调整模型加载方式</h3><p>以上配置后运行会在模型加载报错，查阅资料需要修改一下模型仓库中的 <code>THUDM/chatglm-6b/modeling_chatglm.py</code> 这个文件，并做一下修改：</p><pre><code class="lang-diff">diff --git a/modeling_chatglm.py b/modeling_chatglm.py
index f285bcb..a288085 100644
--- a/modeling_chatglm.py
+++ b/modeling_chatglm.py
@@ -1422,7 +1422,7 @@ class ChatGLMForConditionalGeneration(ChatGLMPreTrainedModel):
         if bits == 0:
             return

-        from .quantization import quantize
+        #from .quantization import quantize

if self.quantized:
             logger.info(&quot;Already quantized.&quot;)
@@ -1432,5 +1432,5 @@ class ChatGLMForConditionalGeneration(ChatGLMPreTrainedModel):

self.config.quantization_bit = bits

-        self.transformer = quantize(self.transformer, bits, empty_init=empty_init, **kwargs)
+        #self.transformer = quantize(self.transformer, bits, empty_init=empty_init, **kwargs)
         return self</code></pre><p>注释了两行，暂时不清楚是什么含义，但注释之后就可以运行了，如果有知道的大神请指教。</p><h3>运行</h3><p>这里以 <code>web_demo.py</code> 为例，<code>cli_dmeo.py</code> 类比。</p><p>在 macOS 下我对该文件总共做了以下几处的修改：</p><pre><code class="lang-diff">diff --git a/web_demo.py b/web_demo.py
index 97ea622..f302bff 100644
--- a/web_demo.py
+++ b/web_demo.py
@@ -1,9 +1,13 @@
 from transformers import AutoModel, AutoTokenizer
 import gradio as gr
 import mdtex2html
+import os
+
+os.environ['PYTORCH_MPS_HIGH_WATERMARK_RATIO'] = '0.0'

tokenizer = AutoTokenizer.from_pretrained(&quot;THUDM/chatglm-6b&quot;, trust_remote_code=True)
-model = AutoModel.from_pretrained(&quot;THUDM/chatglm-6b&quot;, trust_remote_code=True).half().cuda()
+#model = AutoModel.from_pretrained(&quot;THUDM/chatglm-6b&quot;, trust_remote_code=True).half().cuda()
+model = AutoModel.from_pretrained(&quot;THUDM/chatglm-6b&quot;, trust_remote_code=True).half().to('mps')
 model = model.eval()

&quot;&quot;&quot;Override Chatbot.postprocess&quot;&quot;&quot;
@@ -98,4 +102,4 @@ with gr.Blocks() as demo:

emptyBtn.click(reset_state, outputs=[chatbot, history], show_progress=True)

-demo.queue().launch(share=False, inbrowser=True)
+demo.queue().launch(share=True, inbrowser=True)
(END)</code></pre><p>几处修改的目的分别如下：</p><ol><li>解除内存限制，<strong>可能由于内存占用过高导致系统崩溃</strong>，如果不配置可能无法继续，我的 8G 运存很卡但暂时没有遇到崩溃，是否配置自行评估；</li><li>修改模型加载方式，用于调用 M1 芯片 GPU 加速；</li><li>开启共享链接，可以通过共享链接来访问，但不建议使用，速度很慢。不开启貌似会报错；</li></ol><p>针对 <code>cli_demo.py</code> 只需要修改上面前两部分即可运行。</p><p><img src="https://cdn-imagehost.frytea.com/images/2023/04/15/202304151737441110f88beff77973.png" alt="" title="" style=""></p><p>这样就可以运行起来了，web 版会自动弹出浏览器。</p><p>我这里由于资源实在有限，能加载已经很费力了，一旦对话就会强制退出。如果你的资源足够应该可以正常运行。</p><h2>Linux noGPU 环境运行</h2><p>手头没有 GPU 设备，在 Linux 环境下可以使用 CPU 的方式运行，会有比较高的内存和 CPU 占用。</p><h3>环境准备 & 本地模型加载</h3><p>环境准备和本地模型加载过程类似，这里就不赘述了。</p><p>类比 macOS 下的操作方法准备环境和本地仓库，之后继续。</p><h3>CPU 运行</h3><p>如果没有 GPU 硬件的话，可以在 CPU 上进行推理，但是推理速度会更慢。使用方法如下（需要大概 32GB 内存）</p><pre><code class="lang-python">model = AutoModel.from_pretrained(&quot;THUDM/chatglm-6b&quot;, trust_remote_code=True).float()</code></pre><p>如果你的内存不足，可以直接加载量化后的模型：</p><pre><code class="lang-python">model = AutoModel.from_pretrained(&quot;THUDM/chatglm-6b-int4&quot;,trust_remote_code=True).float()</code></pre><h3>运行</h3><p>上面 CPU 运行部分的方法摘自官方 Git 的说明，下面贴出我对运行代码修改的部分：</p><pre><code class="lang-diff">diff --git a/web_demo.py b/web_demo.py
index 97ea622..2d7597c 100644
--- a/web_demo.py
+++ b/web_demo.py
@@ -3,7 +3,8 @@ import gradio as gr
 import mdtex2html

&quot;&quot;&quot;Override Chatbot.postprocess&quot;&quot;&quot;
@@ -98,4 +99,4 @@ with gr.Blocks() as demo:

emptyBtn.click(reset_state, outputs=[chatbot, history], show_progress=True)

-demo.queue().launch(share=False, inbrowser=True)
+demo.queue().launch(share=True, inbrowser=False, server_name='0.0.0.0')</code></pre><p>以上两处修改的目的如下：</p><ol><li>使用纯 CPU 模式运行；</li><li>监听 0.0.0.0 用于外部访问。</li></ol><p>这样就可以运行起来了。</p><p><img src="https://cdn-imagehost.frytea.com/images/2023/04/15/20230415172819b7b9292c1c621ef0.png" alt="" title="" style=""></p><h2>References</h2><ul><li><a href="https://frytea.com/go/aHR0cHM6Ly9kZXZlbG9wZXIuYXBwbGUuY29tL21ldGFsL3B5dG9yY2gv" target="_blank" >在 Mac 上加速 PyTorch 训练 - Apple</a></li><li><a href="https://frytea.com/go/aHR0cHM6Ly93d3cuYmlsaWJpbGkuY29tL3JlYWQvY3YyMjYwNDg3MD9mcm9tPWFydGljbGVEZXRhaWw" target="_blank" >大模型 ChatGLM-6B 安装 Mac M1 本地部署</a></li></ul>

在 Linux 和 M1 macOS 上自托管运行清华开源语言模型 ChatGLM-6B

M1 MacOS 运行方法

环境安装

本地拉取模型

GPU 加速

调整模型加载方式

运行

Linux noGPU 环境运行

环境准备 & 本地模型加载

CPU 运行

运行

References

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

2024 年黑五云服务活动汇总

Windows Update服务启动弹出“拒绝访问的解决方案

LEDE(OpenWrt)安装openclash ｜旁路由技巧｜配置网络流量全部通过旁路由

各大云服务主机商测试 IP 整理

三步激活 StarUML V4.0.1 (WIN10为例) | 仅供学习

Kubernetes 1.22.17 源码阅读指南

考研数二知识说明

Linux 文件管理之隐藏属性

kubernetes 部署 cert-manager 快速实现自动 ssl

Libvirt domblkinfo 命令源码跟踪记 (GDB)

在 Linux 和 M1 macOS 上自托管运行清华开源语言模型 ChatGLM-6B

M1 MacOS 运行方法

环境安装

本地拉取模型

GPU 加速

调整模型加载方式

运行

Linux noGPU 环境运行

环境准备 & 本地模型加载

CPU 运行

运行

References

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

在 Linux 和 M1 macOS 上自托管运行清华开源语言模型 ChatGLM-6B

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款