开源编程语言有哪几种（轻松玩转开源大语言模型bloom（一））

前言

chatgpt已经成为了当下热门 
  
  
  
  
  
  
 ，github首页的trending排行榜上天天都有它的相关项目 
  
  
  
  
  
  
 ，但背后隐藏的却是openai公司提供的api收费服务              。作为一名开源爱好者

 


 


 


 


 


 


 
，我非常不喜欢知识付费或者服务收费的理念 
 
 
 
 
 
 
，所以便有决心写下此系列 
   
   
   
   
   
   
  ，让一般大众们可以不付费的玩转当下比较新的开源大语言模型bloom及其问答系列模型bloomz
 
  
 
  
 
  
 
  
 
  
 
  
 
  。那么废话不多说
 

 

 

 

 

 

 
，本篇将介绍如何在个人电脑上简单的使用bloom模型生成句子













。

模型介绍

bloom是一个开源的支持最多59种语言和176B参数的大语言模型  
  
  
  
  
  
  
。它是在Megatron-LM GPT2的基础上修改训练出来的
 

 

 

 

 

 

 
，主要使用了解码器唯一结构              ，对词嵌入层的归一化 

 
 

 
 

 
 

 
 

 
 

 
 

 
，使用GeLU激活函数的线性偏差注意力位置编码等技术 
  
  
  
  
  
  
 。它的训练集包含了45种自然语言和12种编程语言













，1.5TB的预处理文本转化为了350B的唯一token


 


 


 


 


 


 


 。bigscience在hugging face上发布的bloom模型包含多个参数多个版本                     ，本文中出于让大家都能动手实践的考虑 
 
 
 
 
 
 
 
 
 
 
 
 
 
，选择最小号的bloom-1b1版本




















，其他模型请自行尝试 
 
 
 
 
 
 
。

环境准备

python版本最好是3.8及以上              ，因为项目都会逐渐对老版本python停止支持 
  
 
  
 
  
 
  
 
  
 
  
 
  
，可能找不到现成的wheel包从而需要自己编译













，而windows下需要使用VS 
  
  
  
  
  
  
 ，那是个相当痛苦的过程  
   
   
   
   
   
   
 。

推荐pip原生虚拟环境安装 
  
  
  
  
  
  
 ，不推荐conda虚拟环境

 

 

 

 

 

 

 。本文的安装方法都是基于pip

 


 


 


 


 


 


 
，如果你不懂pip虚拟环境请运行以下命令（linux如果有python2 
 
 
 
 
 
 
，请运行pip3）：

pip install virtualenv -i https://mirror.baidu.com/pypi/simple #安装虚拟环境包 python -m venv bloom #在当前目录创建名叫bloom的虚拟环境

创建完后如何启动：

先一路cd到根目录 
   
   
   
   
   
   
  ，即脚本文件夹所在目录
 

 

 

 

 

 

 
，然后cd进去activate
 

 

 

 

 

 

 
。 cd Scripts activate

比如我这里是名叫gpt-ch的环境：

输完后这样就表示启动成功了
 

 

 

 

 

 

 
，所有的命令都会在隔离环境里运行              ，安装的包也都会在gpt-ch/Lib/site-packages里：

安装pip包

如果只用cpu进行推理 

 
 

 
 

 
 

 
 

 
 

 
 

 
，只需要安装以下包：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cpu pip install transformers -i https://mirror.baidu.com/pypi/simple

如果你想用英伟达gpu进行推理















，请自行安装gpu版的torch              。这里提供wheel下载链接：

记得torch和torchvision的版本是需要对应的                     ，然后这里默认你已经安装配置好了cuda路径 
 
 
 
 
 
 
 
 
 
 
 
 
 
，如果没有请看我之前的文章或者去网上查
 

 
 

 
 

 
 

 
 

 
 

 
 

 。

以我这里的cu117版本为例













。

运行以下命令： pip install torch-1.13.0+cu117-cp39-cp39-win_amd64.whl #自行更改文件名 pip install torchvision-0.14.0+cu117-cp39-cp39-win_amd64.whl #自行更改文件名 pip install transformers -i https://mirror.baidu.com/pypi/simple pip install accelerate -i https://mirror.baidu.com/pypi/simple

模型下载

首先请编写以下代码保存运行：

from transformers import AutoModelForCausalLM, AutoTokenizer checkpoint = "bigscience/bloom-1b1" #1b1




















，可改名成你想要的更大的模型 tokenizer = AutoTokenizer.from_pretrained(checkpoint) #下载模型的tokenizer model = AutoModelForCausalLM.from_pretrained(checkpoint) #下载模型

网速足够快的情况下等一会就下载好了              ，但通常情况下我们得ctrl+c打断代码运行 
  
 
  
 
  
 
  
 
  
 
  
 
  
，手动下载模型存放到对应位置













，即.cache\huggingface\hub\models–bigscience–bloom-1b1下

                     。

如果你是windows

 
  
  
  
  
  
  
 ，那么这个cache文件夹默认会创建在C:\Users\Administrator\下
 
 
 
 
 
 
 
 
 
 
 
 
 
 。

如果你是linux

 
  
  
  
  
  
  
 ，你使用了root权限

 


 


 


 


 


 


 
，会在root文件夹下创建 
 
 
 
 
 
 
，如果是普通用户权限 
   
   
   
   
   
   
  ，则会在对应名称的普通用户目录下
 

 

 

 

 

 

 
，此外该文件夹在linux中默认为隐藏文件夹
 

 

 

 

 

 

 
，需打开权限查看




















。

下载模型地址

把如上图所示链接中的五个文件（不包含这个flax_model.msgpack）下载下来放进自己的本地目录下的snapshots\一串数字（如下图所示）即可              ，其他文件夹都不用管              。

生成第一段话

万事准备就绪后 

 
 

 
 

 
 

 
 

 
 

 
 

 
，就可以开始愉快的游玩了













，运行以下代码：

from transformers import AutoModelForCausalLM, AutoTokenizer import time a1 = time.time() checkpoint = "bigscience/bloom-1b1" tokenizer = AutoTokenizer.from_pretrained(checkpoint) model = AutoModelForCausalLM.from_pretrained(checkpoint) inputs = tokenizer.encode("奋进在不可逆转的复兴进程上", return_tensors="pt") #prompt outputs = model.generate(inputs,min_length=150,max_new_tokens=200,do_sample=True) print(tokenizer.decode(outputs[0])) #使用tokenizer对生成结果进行解码 a2 = time.time() print(ftime cost is {a2 - a1} s)

time模块用来计时                     ，我的是十二代i7 
 
 
 
 
 
 
 
 
 
 
 
 
 
，花了40s生成
 
  
 
  
 
  
 
  
 
  
 
  
 
  。

这里有一些生成时的参数需要讲解一下： min_length是指最小生成长度




















，等于你输入的提示词+最小生成的token数              ，也就是input_length+min_new_tokens















。

max_new_tokens规定了最大生成的token数目 
  
 
  
 
  
 
  
 
  
 
  
 
  
，这里的token你可以理解为一个词













，不好翻译所以一律token 
  
  
  
  
  
  
 ，忽略你输入的prompt  
  
  
  
  
  
  
。与之相关的是max_length

参数 
  
  
  
  
  
  
 ，其实max_length就是max_new_tokens+你输入的prompt长度 
  
  
  
  
  
  
 。

do_sample=True表示进行抽样

 


 


 


 


 


 


 
，否则会使用贪心解码策略


 


 


 


 


 


 


 。

生成以下结果：

效果如何？是觉得不如人意还是效果逼真呢？

下期我们将尝试各种解码策略生成不一样的结果并进行比较 
 
 
 
 
 
 
，看到这里的朋友们可以点个关注 
   
   
   
   
   
   
  ，我们下期再见 
 
 
 
 
 
 
。