文章主题：

666AI工具大全，助力做AI时代先行者！

作者：小傅哥

博客：https://bugstack.cn

沉淀、分享、成长，让自己和他人都能有所收获！

ChatGLM-6B 开源双语对话语言模型，太牛皮了！我要能做一个这个水平的东西，我就AI创业，融资、赚钱、发财，躺平去！哈哈哈！—— 真好，看到这样一个东西，感觉看到了国内 AI 的希望！感谢清华 ChatGLM 团队。

ChatGLM-6B 是清华开源的一个小型对话模型，让大家可以在自己部署起来跑一跑看看效果。但对于本身不是从事此类工作的其他研发伙伴来说，部署这个东西多半都会卡在环境上。所以小傅哥在本地/云服务部署体验后，把相关经验分享下，让有需要的伙伴也可以尝尝鲜。

一、模型简述

ChatGLM 参考了 ChatGPT 的设计思路，在千亿基座模型 GLM-130B 中注入了代码预训练，通过有监督微调（Supervised Fine-Tuning）等技术实现人类意图对齐。2022年11月，斯坦福大学大模型中心对全球30个主流大模型进行了全方位的评测，GLM-130B 是亚洲唯一入选的大模型。

同时 ChatGLM 团队为与社区一起更好地推动大模型技术的发展，清华开源了 ChatGLM-6B 模型。它是一个初具中文问答和对话功能的小型模型，可以让大家即使在本地和一些小型的服务器上就可以部署体验。

源码：https://github.com/THUDM/ChatGLM-6B – 这里有最新更新的内容和部署说明社区：https://chatglm.cn/blog – 这里有更全面的介绍信息

二、基础环境

1. 服务配置

ChatGLM-6B 虽然已经是很温馨提供的，能最佳支持对话的最小模型了，但实际部署的时候仍需要一个不小的服务器32G内存配置或者有较好的16G NVIDIA显卡。可能就怕大家部署起来，所以官网上也提供了更低成本的部署方案，INT8和INT4 数据模型。整体所需空间如下；

量化等级 最低 GPU 显存（推理） 最低 GPU 显存（高效参数微调） FP16（无量化） 13 GB 14 GB INT8 8 GB 9 GB INT4 6 GB 7 GB

小傅哥自己也是在 Mac M1、轻量云主机，还有一个专门用于测试AIGC的服务器上，都做了测试验证，这样也能避免大家走弯路。就像我在一款8G内存的轻量云主机上，部署 INT4 模型，报错如下；

所以别买一些配置不佳的机器，否则你根本跑不起来，还浪费钱。

2. 工程代码

源码：https://github.com/THUDM/ChatGLM-6B – 无论你使用哪种部署方式，都需要把代码下载到对应的服务上。

3. 算法模型

在 ChatGLM-6B 中有一段代码是配置模型地址的，除了说明的Mac电脑，理论上来说它可以自动下载。但这些模型太大了，所以最好是提前下载到本地使用。

// web_demo2.py 部分代码 tokenizer = AutoTokenizer.from_pretrained(“/Users/xfg/develop/github/chatglm-6b”, trust_remote_code=True) model = AutoModel.from_pretrained(“/Users/xfg/develop/github/chatglm-6b”, trust_remote_code=True).half().cuda()

官网：https://huggingface.co/ – 提供模型下载，按照你的需要下载对应的测试模型到服务器上；

chatglm-6b：https://huggingface.co/THUDM/chatglm-6b/tree/mainchatglm-6b-int4：https://huggingface.co/THUDM/chatglm-6b-int4/tree/mainchatglm-6b-int8：https://huggingface.co/THUDM/chatglm-6b-int8/tree/mainvisualglm-6b：https://huggingface.co/THUDM/visualglm-6b/tree/main – 用于图形识别的模型，在镜像中还没有。

镜像：https://cloud.tsinghua.edu.cn/d/674208019e314311ab5c/?p=%2F&mode=list – 镜像的下载速度比较快。注意：镜像中没有基础的内容，需要从官网下载。

chatglm-6b：https://cloud.tsinghua.edu.cn/d/674208019e314311ab5c/?p=%2Fchatglm-6b&mode=listchatglm-6b-int4：https://cloud.tsinghua.edu.cn/d/674208019e314311ab5c/?p=%2Fchatglm-6b-int4&mode=listchatglm-6b-int8：https://cloud.tsinghua.edu.cn/d/674208019e314311ab5c/?p=%2Fchatglm-6b-int8&mode=list

4. 软件版本

macOS 12.3 或更高版本 – https://developer.apple.com/metal/pytorchPython 3.10.8 或更高版本 – 因为有些聊天的界面模块，需要这个版本。

5. 软件卸载

# 1. 卸载 python3/python 注意先看下版本 python -V 确认下名称是 python 还是 python3 以及 pip whereis python3 |xargs rm -frv rm -rf /usr/local/bin/python3 /usr/local/bin/pip3 # 2. 卸载 openssl – 如果安装了老版本的python，又安装新的，可能需要卸载 ssl 重新安装 whereis openssl |xargs rm -frv 如果你的电脑或者服务器之前已经安装了 python 那么可以先把它卸载掉。

三、环境配置 – 服务器版本

以能运行起 ChatGLM-6B 只需要以下5个步骤；

只要你能按照顺序，正确的执行这些步骤，就可以运行起 ChatGLM-6B 模型，接下来就跟着小傅哥的步骤执行吧。注意如果你需要绘图能力，可以在本文学习后。按照官网介绍，替换下模型重新启动即可；https://github.com/THUDM/ChatGLM-6B – [2023/05/17] 发布 VisualGLM-6B 一个支持图像理解的多模态对话语言模型。

步骤1：环境安装

1. openssl

# 1. 卸载openssl whereis openssl |xargs rm -frv # 2. 官网下载openssl编译安装 wget http://www.openssl.org/source/openssl-1.1.1.tar.gz tar zxf openssl-1.1.1.tar.gz cd openssl-1.1.1 ./config –prefix=/usr/local/openssl shared zlib make && make install # 3. 设置环境变量 LD_LIBRARY_PATH echo “export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/openssl/lib” >> /etc/profile source /etc/profile # 4. 卸载重新编译安装python3 whereis python3 |xargs rm -frv rm -rf /usr/local/bin/python3 /usr/local/bin/pip3 mkdir /usr/local/python3 ./configure –prefix=/usr/local/python3 —enable-optimizations –with-openssl=/usr/local/openssl make -j8 && make install

2. Python 3.10

cd ~ # 1.下载Python安装包 wget https://www.python.org/ftp/python/3.10.8/Python-3.10.8.tgz # 2.将安装包移动到/usr/local文件夹下 mv Python-3.10.8.tgz /usr/local/ # 3.在local目录下创建Python3目录 mkdir /usr/local/python3 # 4.进入的Python安装包压缩包所在的目录 cd /usr/local/ # 5.解压安装包 tar -xvf Python-3.10.8.tgz # 6.进入解压后的目录 cd /usr/local/Python-3.10.8/ # 7.配置安装目录 ./configure –prefix=/usr/local/python3 # 8.编译源码 make # 9.执行源码安装 make install # 10.创建软连接 ln -s /usr/local/python3/bin/python3 /usr/bin/python3 # 11. 测试 python3 -V

3. 安装pip3

cd ~ # 1.下载 wget https://bootstrap.pypa.io/get-pip.py # 2.安装；注意咱们安装了 python3 所以是 pyhton3 get-pip.py python3 get-pip.py # 3.查找pip安装路径 find / -name pip # 4.将pip添加到系统命令 ln -s /usr/local/python/bin/pip /usr/bin/pip # 5.测试 pip -V # 6.更换源，如果不更换那么使用 pip 下载软件会很慢 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip config set install.trusted-host mirrors.aliyun.com pip config list # pip国内镜像源： # 阿里云 http://mirrors.aliyun.com/pypi/simple/ # 中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/ # 豆瓣 http://pypi.douban.com/simple # Python官方 https://pypi.python.org/simple/ # v2ex http://pypi.v2ex.com/simple/ # 中国科学院 http://pypi.mirrors.opencas.cn/simple/ # 清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/

4. 安装git

cd ~ # 1.安装前首先得安装依赖环境 yum install -y perl-devel # 2.下载源码包到 CentOS 服务器后进行解压 wget https://mirrors.edge.kernel.org/pub/software/scm/git/git-2.9.5.tar.gz tar -zxf git-2.9.5.tar.gz cd git-2.9.5 # 3.执行如下命令进行编译安装 ./configure –prefix=/usr/local/git make && make install # 4.添加到系统环境变量 vim ~/.bashrc export PATH=”/usr/local/git/bin:$PATH” # 5.使配置生效 source ~/.bashrc # 6.测试 git version

步骤2：代码下载

在Linux服务器，可以直接在 cd ~ 目录下执行；git clone git://github.com/THUDM/ChatGLM-6B.git

步骤3：模型下载

可以从官网：https://huggingface.co/THUDM/chatglm-6b/tree/main 或者清华的镜像仓库下载 https://cloud.tsinghua.edu.cn/d/fb9f16d6dc8f482596c2/ – 如果你需要其他模型，可以在目录：基础环境中找到。

本地直接环境直接下载，网络环境可以通过 SFTP – Termius 传到一个 ChatGLM-6B/data 目录下。或者直接通过 wget http://… 这样的命令方式直接下载模型。会需要较长的耗时

步骤4：安装配置

# sudo su – 切换到root 或者通过 sudo 执行。镜像可以换一换，看看哪个快用哪个。 sudo pip install -r requirements.txt -i https://mirror.baidu.com/pypi/simple # 执行成功案例 – 过程较长 Looking in indexes: https://mirror.baidu.com/pypi/simple Collecting protobuf Downloading https://mirror.baidu.com/pypi/packages/06/38/e72c556c25aaaaafca75018d2d0ebc50c5ab80983dd4def086624fba43f2/protobuf-4.23.0-cp37-abi3-manylinux2014_x86_64.whl (304 kB) ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 304.5/304.5 KB 19.4 MB/s eta 0:00:00 Collecting transformers==4.27.1 Downloading https://mirror.baidu.com/pypi/packages/6d/9b/2f536f9e73390209e0b27b74691355dac494b7ec8154f3012fdc6debbae7/transformers-4.27.1-py3-none-any.whl (6.7 MB) ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 6.7/6.7 MB 10.4 MB/s eta 0:00:00 对于本地的网络和普通的服务器，这个步骤会执行较长的时间。如果执行失败了，在此继续执行就可以，直至得到上天的眷顾，你成功了！！！

步骤5：启动执行

# 切换到 ChatGLM-6B 工程目录，执行 python3 -m streamlit run ./web_demo2.py –server.port 7397 –server.address 0.0.0.0 # 执行结果 – 成功后有这样的效果 Collecting usage statistics. To deactivate, set browser.gatherUsageStats to False. You can now view your Streamlit app in your browser. URL: http://0.0.0.0:7397 Explicitly passing a `revision` is encouraged when loading a model with custom code to ensure no malicious code has been contributed in a newer revision. Explicitly passing a `revision` is encouraged when loading a configuration with custom code to ensure no malicious code has been contributed in a newer revision. Explicitly passing a `revision` is encouraged when loading a model with custom code to ensure no malicious code has been contributed in a newer revision. Loading checkpoint shards: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [01:30<00:00, 11.35s/it] 你可以指定端口，并对端口开放访问权限。之后就可以反问地址；http://你的服务器地址:端口初次使用的时候，会进行模型的启动，也就是这个阶段，很多配置不佳的服务器是没法启动成功的。

四、环境配置 – AIGC版本

这是一个钞能力版本，你只需要花钱到位，体验个几小时，那么这个是最节省成本的。你可以通过我的邀请链接进入，这样会得到一些使用配额，可能不需要花钱。

1. 注册服务

地址：https://www.lanrui-ai.com/register?invitation_code=3931177594

后台：https://www.lanrui-ai.com/console/workspace

2. 选择服务

￥1.90/时，不确定一直有。同配置的4.9元每小时。从你购买启动开始计费，安装环境较好时，整个过程需要大概需要20元左右，能体验到。

3. 配置环境

创建服务后，运行镜像选择；pytorch -> cuda 最后这个版本。预训练模型选择 chatglm-6b 这样你也不需要自己下载模型数据了。

4. 控制平台

从工作空间进入到控制台，你可以分别从 data 看到 ChatGLM-6B 的代码 在imported_models 看到预训练模型 chatglm-6b 检查工程 web_demo2.py 中加载模型的路径是否正确，如果不对需要修改。如果你的服务中，没有默认下载或者需要重新下载。那么你可以安装 git 指令，下载代码到 data 仓库即可。

5. 初始配置

user@lsp-ws:~/data$ sudo su root@lsp-ws:/home/user/data# cd ChatGLM-6B/ root@lsp-ws:/home/user/data/ChatGLM-6B# pip install -r requirements.txt 这个安装速度会非常快，几乎不需要太久的等待。

6. 启动服务

python3 -m streamlit run ./web_demo2.py –server.port 27777 –server.address 0.0.0.0 另外 ChatGLM-6B 还提供了命令行测试 python cli_demo.py 和 API 启动 python api.pycurl -X POST “http://127.0.0.1:8000” \ -H Content-Type: application/json \ -d {“prompt”: “你好”, “history”: []}

7. 访问服务

回到控制台复制调试地址，即可访问； 如果你报错了，那么在控制台执行安装即可。control + c 停止服务，执行 pip install icetk再次执行步骤6启动服务，现在在访问。python3 -m streamlit run ./web_demo2.py –server.port 27777 –server.address 0.0.0.0 初次运行，它会加载模型。在控制台可以看到加载的模型进度，大概几分钟就加载好了。 看到控制台的模型加载完毕后，再次点击下发送 好了，到你也可以测试下发送其他的内容，进行体验。

五、环境配置 – Docker 版本

在官网的地址中还看到了一个 Docker 的配置方式，我把它引入过来，方便有需要的伙伴进行操作。原文地址：https://www.luckzym.com/posts/e95da08c/

1. 编写DockerFile文件

# 设置基础映像 FROM nvidia/cuda:11.8.0-cudnn8-devel-ubuntu22.04 # 定义构建参数 # 例如ARG USER=test为USER变量设置默认值”test”。 ARG USER=test ARG PASSWORD=${USER}123$ # 处理讨厌的 Python 3 编码问题 ENV LANG C.UTF-8 ENV DEBIAN_FRONTEND noninteractive ENV MPLLOCALFREETYPE 1 # 更新软件包列表并安装软件属性通用包 RUN apt-get update && apt-get install -y software-properties-common # 添加Python ppa，以便后续安装Python版本 RUN add-apt-repository ppa:deadsnakes/ppa # 安装Ubuntu的常用软件包，包括wget、vim、curl、zip、unzip等 RUN apt-get update && apt-get install -y \ build-essential \ git \ wget \ vim \ curl \ zip \ zlib1g-dev \ unzip \ pkg-config \ libgl-dev \ libblas-dev \ liblapack-dev \ python3-tk \ python3-wheel \ graphviz \ libhdf5-dev \ python3.9 \ python3.9-dev \ python3.9-distutils \ openssh-server \ swig \ apt-transport-https \ lsb-release \ libpng-dev \ ca-certificates &&\ apt-get clean &&\ ln -s /usr/bin/python3.9 /usr/local/bin/python &&\ ln -s /usr/bin/python3.9 /usr/local/bin/python3 &&\ curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py &&\ python3 get-pip.py &&\ rm get-pip.py &&\ # 清理APT缓存以减小Docker镜像大小 rm -rf /var/lib/apt/lists/* /tmp/* /var/tmp/* # 设置时区 ENV TZ=Asia/Seoul RUN ln -snf /usr/share/zoneinfo/$TZ /etc/localtime && echo $TZ > /etc/timezone # 为应用程序创建一个用户 RUN useradd –create-home –shell /bin/bash –groups sudo ${USER} RUN echo ${USER}:${PASSWORD} | chpasswd USER ${USER} ENV HOME /home/${USER} WORKDIR $HOME # 安装一些Python库，例如numpy、matplotlib、scipy等 RUN python3 -m pip –no-cache-dir install \ blackcellmagic\ pytest \ pytest-cov \ numpy \ matplotlib \ scipy \ pandas \ jupyter \ scikit-learn \ scikit-image \ seaborn \ graphviz \ gpustat \ h5py \ gitpython \ ptvsd \ Pillow==6.1.0 \ opencv-python # 安装PyTorch和DataJoint等其他库 # 其中torch==1.13.1表示安装版本为1.13.1的PyTorch RUN python3 -m pip –no-cache-dir install \ torch==1.13.1 \ torchvision==0.14.1 \ torchaudio==0.13.1 \ jupyterlab>=2 RUN python3 -m pip –no-cache-dir install datajoint==0.12.9 # 设置环境变量LD_LIBRARY_PATH，以便支持性能分析库 ENV LD_LIBRARY_PATH /usr/local/cuda/extras/CUPTI/lib64:${LD_LIBRARY_PATH} # 启动ssh服务器，打开22号端口 USER root RUN mkdir /var/run/sshd EXPOSE 22 CMD [“/usr/sbin/sshd”, “-D”]

2. 编写Docker-Compose文件

version: “3.9” services: nvidia: build: . # 告诉Docker Compose在当前目录中查找Dockerfile并构建镜像 runtime: nvidia # 启用nvidia-container-runtime作为Docker容器的参数，从而实现对GPU的支持 environment: – NVIDIA_VISIBLE_DEVICES=all # 设置所有可用的GPU设备 ports: – “22:22” # port for ssh – “80:80” # port for Web – “8000:8000” # port for API tty: true # 创建一个伪终端以保持容器运行状态

3. 搭建步骤

3.1 准备Docker容器&AI模型文件

修改Docker Compose文件，添加volumes路径version: “3.9” services: nvidia: build: . # 告诉Docker Compose在当前目录中查找Dockerfile并构建镜像 runtime: nvidia # 启用nvidia-container-runtime作为Docker容器的参数，从而实现对GPU的支持 environment: – NVIDIA_VISIBLE_DEVICES=all # 设置所有可用的GPU设备 ports: – “22:22” # port for ssh – “80:80” # port for Web – “8000:8000” # port for API tty: true # 创建一个伪终端以保持容器运行状态 # 添加一个和宿主机连接的路径 volumes: – ./:/data 下载对应的AI模块文件

从Hugging Face Hub下载所需要的模型，由于我使用的显卡只有8G显存，所以直接下载了INT4量化后的模型。

AI模型下载地址：

THUDM/chatglm-6b

THUDM/chatglm-6b-int4

THUDM/chatglm-6b-int8

这里推荐使用Git工具进行拖拽对应的仓库，在拖拽前记得给Git工具安装上Git LFS。

仓库存储的地方就放在我当前创建Docker Compose文件目录下，这样刚好可以利用volumes将其映射进容器中。

# Make sure you have git-lfs installed (https://git-lfs.com) git lfs install git clone https://huggingface.co/THUDM/chatglm-6b-int4 # if you want to clone without large files – just their pointers # prepend your git clone with the following env var: GIT_LFS_SKIP_SMUDGE=1

3.2 准备ChatGLM-6B并运行

拉取官方ChatGLM-6B项目仓库文件git clone https://github.com/THUDM/ChatGLM-6B.git

仓库存储的地方依旧是当前创建Docker Compose文件目录。如果大家不希望存放在该目录下可以自行修改一下Docker Compose中的volumes映射路径。

拉起该深度学习Docker容器docker-compose up –build -d 进入容器中# 查看刚刚启动的深度学习容器的ID号 docker ps # 进入容器内部 docker exec -it xxxxxxx /bin/bash # xxxxxxx 是PS后容器的CONTAINER ID号 安装项目依赖# cd到刚刚拖拽下来的项目仓库中 cd /data/ChatGLM-6B # 安装项目依赖文件 pip install -r requirements.txt 修改本地AI模型路径

在这里我们使用官方提供的命令行Demo程序来做测试。

# 打开cli_demo.py文件对其进行修改 VI cli_demo.py # 修改第6、第7行的代码，将原有的模型名称修改为本地AI模型路径 # 修改结果如下,其中/data/chatglm-6b-int4为你本地AI模型的路径地址 tokenizer = AutoTokenizer.from_pretrained(“/data/chatglm-6b-int4”, trust_remote_code=True) model = AutoModel.from_pretrained(“/data/chatglm-6b-int4”, trust_remote_code=True).half().cuda() 运行仓库中命令行Demo程序：python cli_demo.py

不出意外，在命令执行完之后你将可以体验到清华开源的ChatGLM-6B自然语言模型了。