---

前言

在当今快速发展的人工智能领域，高性能计算平台的重要性不言而喻。国家超算互联网平台作为其中的重要一环，不仅提供了强大的计算资源，还通过其丰富的模型服务和便捷的操作体验，吸引了众多技术爱好者和专业人士的关注。本文将深入探讨该平台的显卡选用、模型服务体验以及本地模型推理体验，带您全方位了解这一前沿技术平台。

一、平台显卡选用

在进行深度学习和大规模数据处理时，显卡的选择至关重要。国家超算互联网平台提供了多种显卡选项，以满足不同用户的需求。
地址：https://www.scnet.cn/ui/mall/search/goods?common1=RESOURCE&common2=RESOURCE-AI

1、显卡选择

由于1分钱的显卡被抢占完了，我们选择了“NVIDIA L20 显存48GB PCIE”，这款显卡以其强大的计算能力和充足的显存，能够轻松应对复杂的模型训练和数据处理任务。（由于显卡是按小时收费，非常方便，不用的时候关机即可）

2、镜像选择

在显卡选择完成后，用户可以根据自己的需求选择基础镜像或平台提供的免费模型镜像。本次体验中，我们选择了“jupyterlab-stable-diffusion-normal-webui”镜像，它为用户带来了便捷的模型部署和运行体验。

3、实例列表

选择完服务器和镜像后，选择完服务器和镜像后，用户将被引导至实例列表，这里可以查看和管理所有创建的实例。

4、登录服务器

通过点击服务列表中的“JupyterLab”，用户可以自动登录服务器，开始模型的部署和运行。

二、平台模型服务【Stable Diffusion WebUI】体验

登录服务器后，会自动打开run.ipynb文件；可进行Stable Diffusion WebUI 快速体验

1、模型运行

在JupyterLab中，用户可以直接执行以下代码来启动Stable Diffusion WebUI：

#启动
!python StableDiffusionWebui/launch.py --enable-insecure-extension-access --port 1115  --server-name '0.0.0.0'

代码执行如下：

执行后，本地访问地址为：http://0.0.0.0:1115，用户可以通过此地址访问和体验模型。

2、端口映射配置

通过实例列表中的“访问自定义服务”设置端口映射，填入端口1115，用户便可以访问模型的Web界面。

配置映射端口

3、体验测试

模型运行后UI界面访问如下：

1）平台提供的模型镜像，整个启动运行过程快、非常便捷，几分钟内就能体验模型效果
2）模型运行效果很快，基本上都在2秒左右就能生成结果
3）模型效果测试也还不错，除了画质不是很好，生成的结果和提示词预期基本相符

三、本地模型【Qwen1.5-7B-Chat】推理体验

国家超算互联网平台不仅提供了模型镜像服务，还支持本地模型的推理体验。用户可以直接使用平台公共区域已经下载好的模型；或者自行下载模型，进行本地推理；平台公共区域“/root/public_data/llm_model”提供有多个开源模型。

1、安装依赖

首先，用户需要安装必要的依赖库，如modelscope：

#安装modelscope
!pip install modelscope

2、加载模型

接下来，加载本地的语言模型和分词器：

# 导入所需的库和模块
from modelscope import AutoModelForCausalLM, AutoTokenizer
# 设置设备为GPU（如果有的话）
device = "cuda" # the device to load the model onto# 从预训练模型中加载大型语言模型
model = AutoModelForCausalLM.from_pretrained("/root/public_data/llm_model/Qwen1.5-7B-Chat",device_map="auto"
)# 从预训练模型中加载相应的分词器
tokenizer = AutoTokenizer.from_pretrained("/root/public_data/llm_model/Qwen1.5-7B-Chat")

需要注意的是，如果遇到模型加载报错如下，可能需要升级Transformer版本：

---------------------------------------------------------------------------KeyError                                  Traceback (most recent call last)
Cell In[5], line 4      1 from modelscope import AutoModelForCausalLM, AutoTokenizer      2 device = "cuda" # the device to load the model onto----> 4 model = AutoModelForCausalLM.from_pretrained(      5     "/root/public_data/llm_model/Qwen1.5-7B-Chat",      6     device_map="auto"      7 )      8 tokenizer = AutoTokenizer.from_pretrained("/root/public_data/llm_model/Qwen1.5-7B-Chat")File /opt/conda/lib/python3.10/site-packages/modelscope/utils/hf_util.py:113, in get_wrapped_class.<locals>.ClassWrapper.from_pretrained(cls, pretrained_model_name_or_path, *model_args, **kwargs)    110 else:    111     model_dir = pretrained_model_name_or_path--> 113 module_obj = module_class.from_pretrained(model_dir, *model_args,    114                                           **kwargs)    116 if module_class.__name__.startswith('AutoModel'):    117     module_obj.model_dir = model_dirFile /opt/conda/lib/python3.10/site-packages/transformers/models/auto/auto_factory.py:456, in _BaseAutoModelClass.from_pretrained(cls, pretrained_model_name_or_path, *model_args, **kwargs)    453 if kwargs.get("torch_dtype", None) == "auto":    454     _ = kwargs.pop("torch_dtype")--> 456 config, kwargs = AutoConfig.from_pretrained(    457     pretrained_model_name_or_path,    458     return_unused_kwargs=True,    459     trust_remote_code=trust_remote_code,    460     **hub_kwargs,    461     **kwargs,    462 )    464 # if torch_dtype=auto was passed here, ensure to pass it on    465 if kwargs_orig.get("torch_dtype", None) == "auto":File /opt/conda/lib/python3.10/site-packages/transformers/models/auto/configuration_auto.py:957, in AutoConfig.from_pretrained(cls, pretrained_model_name_or_path, **kwargs)    955     return config_class.from_pretrained(pretrained_model_name_or_path, **kwargs)    956 elif "model_type" in config_dict:--> 957     config_class = CONFIG_MAPPING[config_dict["model_type"]]    958     return config_class.from_dict(config_dict, **unused_kwargs)    959 else:    960     # Fallback: use pattern matching on the string.    961     # We go from longer names to shorter names to catch roberta before bert (for instance)File /opt/conda/lib/python3.10/site-packages/transformers/models/auto/configuration_auto.py:671, in _LazyConfigMapping.__getitem__(self, key)    669     return self._extra_content[key]    670 if key not in self._mapping:--> 671     raise KeyError(key)    672 value = self._mapping[key]    673 module_name = model_type_to_module_name(key)
KeyError: 'qwen2'

主要是Transformer版本过低，需要升级版本

!pip install -U transformers

重新加载模型，加载成功效果如下：

3、定义提示消息

定义一个简短的介绍大型语言模型的提示，并构建消息列表：

# 定义一个简短的介绍大型语言模型的提示
prompt = "Give me a short introduction to large language model."# 构建消息列表，包括系统角色和用户角色的内容
messages = [{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": prompt}
]

4、获取model_inputs

使用分词器将消息列表转换为model_inputs：

# 使用分词器将消息列表转换为适合模型输入的格式
text = tokenizer.apply_chat_template(messages,tokenize=False,add_generation_prompt=True
)# 将文本转换为模型输入张量并移动到指定设备上
model_inputs = tokenizer([text], return_tensors="pt").to(device)model_inputs

输出：

5、生成模型输出

根据模型输入的inputs生成模型输出的generated_ids

# 生成模型输出
generated_ids = model.generate(model_inputs.input_ids,max_new_tokens=512
)
# 提取生成的ID，去除输入部分
generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]generated_ids

输出：

6、获取生成结果

对生成的generated_ids，进行解码获取响应结果

# 解码生成的ID为文本，并跳过特殊标记
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
# 打印生成的响应
print(response)

输出：

大语言模型（Large Language Model，LLM）是一种人工智能技术，它是一种能够理解和生成人类语言的复杂系统。这种模型通常基于深度学习，特别是基于Transformer架构的神经网络，通过大量的文本数据进行训练，学习语言的语法、词汇、句法和语义规律。在训练过程中，大语言模型会接收各种类型的文本输入，如书籍、新闻、网页、社交媒体帖子等，然后通过学习这些文本中的模式和上下文关系来理解语言结构。训练的目标是让模型能够生成连贯、准确、具有逻辑性的文本，无论是回答问题、创作故事、撰写代码还是进行对话等。大语言模型可以分为两类：预训练模型和任务特定模型。预训练模型是在大规模无标签文本上进行训练的通用模型，例如Google的通义千问、OpenAI的GPT-3等，这类模型通常具有较高的泛化能力和语言理解能力，可以适应多种下游任务。任务特定模型则是针对特定任务进行微调的，比如BERT（Bidirectional Encoder Representations from Transformers）和T5（Text-to-Text Transfer Transformer），它们在经过特定领域的数据训练后，可以更好地服务于某个特定领域的问题解答或文本生成。大语言模型的发展对于自然语言处理、人工智能、机器翻译等领域有着深远的影响，它正在逐步改变我们与计算机交互的方式，并且在不断推动技术进步。然而，也需要注意的是，虽然大语言模型在很多方面表现出色，但它并不完美，有时可能会出现偏见或误解，需要持续优化和完善。

结语

国家超算互联网平台以其高效计算能力和用户友好的操作体验，为人工智能领域的研究和应用提供了强有力的支持。通过本文的体验和技术解析，我们见证了该平台如何简化模型部署和推理过程，加速了从理论到实践的转变。随着技术的不断进步，该平台有望进一步推动科研创新和产业发展，为人工智能的未来探索提供更多可能性。同时，我们也期待平台能够持续优化，满足日益增长的计算需求，助力构建一个更加智能化的世界。

🎯🔖更多专栏系列文章：AI大模型提示工程完全指南、AI大模型探索之路（零基础入门）、AI大模型预训练微调进阶、AI大模型开源精选实践、AI大模型RAG应用探索实践🔥🔥🔥 其他专栏可以查看博客主页📑

😎 作者介绍：我是寻道AI小兵，资深程序老猿，从业10年+、互联网系统架构师，目前专注于AIGC的探索。
📖 技术交流：欢迎关注【小兵的AI视界】公众号或扫描下方👇二维码，加入技术交流群，开启编程探索之旅。
💘精心准备📚500本编程经典书籍、💎AI专业教程，以及高效AI工具。等你加入，与我们一同成长，共铸辉煌未来。
如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我，让我们携手同行AI的探索之旅，一起开启智能时代的大门！