保姆级教程：Linux和Windows下本地化部署Vicuna模型

模型及安装包下载链接

这篇文章中，我们深入探索Vicuna模型。

这是一个由UC Berkeley，CMU，Stanford和UC San Diego的团队开发的开源聊天机器人。这个模型的性能之强大，令人瞩目。在许多标准测试中，Vicuna都已证明其表现号称能达到GPT-4的90%性能，使其成为开源大模型领域的翘楚。

本教程的目标是让大家能够在Linux和Windows操作系统下自己部署Vicuna模型。我将提供详细的安装步骤和全部所需的安装包下载链接，以便您可以轻松完成模型的部署。构建你自己的聊天机器人。

一、Vicuna简介

1. Vicuna模型定义

Vicuna模型是一种开源的聊天机器人模型，它诞生于一次在ShareGPT平台上的大规模对话微调训练中。作为一种基于Transformer架构的自回归语言模型，Vicuna在2023年春季（3月至4月）经过精心的训练后，正式亮相。

Vicuna的诞生，离不开Vicuna团队的付出，他们来自全球知名学府UC Berkeley，CMU，Stanford和UC San Diego，通过他们的努力使Vicuna模型成为可能。

2. Vicuna模型的应用场景

Vicuna作为一个强大的大型语言模型和聊天机器人，被广大的自然语言处理、机器学习和人工智能研究者和爱好者用于学术研究和实际应用。

3. Vicuna模型的训练数据

Vicuna模型依托于从 http:// ShareGPT.com 收集的70K的丰富对话数据进行训练。为了衡量模型的品质，还特意设计了80个多样化的问题，由GPT-4来评判Vicuna模型的输出。

4. Vicuna模型的版本

Vicuna模型的发展经历了多个版本，从最初的原始版本，到后续的一系列改进版本。在网络上我们可以找到一些用户对于不同版本的Vicuna的反馈：

• 原始Vicuna版本：部分用户在使用过程中未发现自我审查的问题，但偶尔会遭遇“失控”现象，即模型自我对话，误认为自己是用户。
  
• Vicuna-7B-1.1-GPTQ-4bit-128g：此版本获得了许多用户的好评，被视为目前的最佳选择之一。
  
• Uncensored Vicuna（未经审查的Vicuna）：对于这个版本，用户的反馈各不相同，一些人认为它有时会过度“说教”。
  
• Vicuna 1.1：Vicuna 1.1：与Vicuna 1.0相比，Vicuna 1.1似乎解决了一些格式问题，因此有些用户更偏爱它。
  

"13b"和"7b"是表示模型参数数量的标记。如“b”是"billion"（十亿）的缩写，"13b"代表模型具有130亿个参数，"7b"代表模型具有70亿个参数。UC伯克利学者联手CMU、斯坦福等推出的全新模型70亿/130亿参数的Vicuna，俗称「小羊驼」（骆马）。小羊驼号称能达到GPT-4的90%性能，我们接下来进行部署。

5. 性能评估

在Vicuna与GPT-4的比较中，GPT-4在90%的问题上更倾向于Vicuna的回答。相对于其他开源模型（如LLaMA和Alpaca），Vicuna表现出色，并且与专有模型（如ChatGPT和Bard）的竞争力也不容忽视。在45%的问题中，GPT-4认为Vicuna的回答至少与ChatGPT的同等或更优。根据GPT-4对每个回答的定量评分（满分为10），我们可以计算出每个模型在80个问题中获得的总分。在这个比较中，Vicuna的总分达到了ChatGPT的92%。

二、linux 操作系统下部署

1. 环境介绍

• CentOS Linux release 7.9.2009(core)
• 可以正常使用yum源
• 可以连通互联网

2. 安装Python3.10.7

2.1 下载Python3.10.7安装包

在官网下载: https://www. python.org/ftp/python/3 .10.7/Python-3.10.7.tgz

2.2 安装gcc编译器

gcc有些系统版本已经默认安装，通过 gcc --version 查看

没安装的先安装gcc，yum -y install gcc

2.3 安装依赖包

不要缺少，否则有可能安装python出错，python3.7以下的版本可不装 libffi-devel ，我们所需要的是Python3.10.X版本

yum -y install zlib-devel bzip2-devel openssl-devel ncurses-devel sqlite-devel readline-devel tk-devel gdbm-devel db4-devel libpcap-devel xz-devel libffi-devel

2.4 升级openssl版本

此处有个坑，在此版本的openssl下编译安装Python3.10.7后，会出现报错 No module named ‘_ssl‘的情况，所以需要先手动将openssl升级3.05

2.4.1 安装perl-CPAN模块

openssl 3.0使用perl代码，需要提前安装IPC/Cmd.pm模块。

yum install  -y perl-CPAN
yum install perl-IPC-Cmd

进入CPAN的shell模式，首次进入需要配置shell，

perl -MCPAN -e shell

按照提示操作，一般选择默认配置，当提示中有sudo选项时，一定要选择sudo，然后其他选默认，出现 cpan[1]>提示符后，键入安装模块命令，安装后再键入退出命令。

cpan[1]> install IPC/Cmd.pm
cpan[2]> quit

在无互联网的内网环境下，可以去 https:// metacpan.org 网站下载模块，不使用CPAN的shell模式，直接以命令行形式安装。执行perl语句时，如提示某模块未安装，到官网查找下载后，依次安装。

yum install wget
wget https://cpan.metacpan.org/authors/id/B/BI/BINGOS/IPC-Cmd-1.04.tar.gz
tar -zxvf IPC-Cmd-1.04.tar.gz
cd IPC-Cmd-1.04.tar.gz
perl Makefile.PL
make install

2.4.2 编译安装openssl3.0.5

在 https://www. openssl.org 的download中，根据需要下载3.0.5版本的压缩包

在服务器上创建存放安装包的目录：

mkdir /usr/local/openssl3

在服务器使用wget命令下载安装包

# 进入安装目录
cd /usr/local/openssl3
# 使用wget下载，如果下载不了，就本地下载通过FTP上传进行解压
wget --no-check-certificate https://www.openssl.org/source/openssl-3.0.5.tar.gz

安装

# 解压安装包
tar xf openssl-3.0.5.tar.gz
# 进入解压后目录
cd /usr/local/openssl3/openssl-3.0.5

使用共享库安装，检查zlib库是否存在

whereis zlib

没有的话，安装：

yum install -y zlib

安装openssl到 /usr/local/openssl 目录

# 进入安装目录：
cd /usr/local/openssl3/openssl-3.0.5
# 执行配置命令，prefix默认路径/usr/local：
./config --prefix=/usr/local/openssl

编译安装：

make && make install

执行可能很慢，耐心等待执行结束。 执行到此，openssl还不能使用，libssl.so.3文件在/usr/local/openssl/lib64目录下面，需要配置到共享库中

# 换行添加/usr/local/openssl/lib64
vim /etc/ld.so.conf
# 加载生效
ldconfig

# 再次进入/usr/local/openssl/bin目录下执行命令已经成功了
[root@node0 bin]# ./openssl version
OpenSSL 3.0.5 5 Jul 2022 (Library: OpenSSL 3.0.5 5 Jul 2022)

2.5 编译安装python3.10.7

2.5.1 修改配置文件

通过FTP或者wget下载得到Python-3.10.7.tgz软件包

# 解压
tar xf Python-3.10.7.tgz
cd Python-3.10.7

在进行编译安装前，Python3.10和openssl3.0.5的版本配置文件跟以前有点区别，python3.10的版本OPENSSL不再是/usr/local/ssl 的默认路径，变成了/path/to/openssl/directory，而openssl3.0.5目录里面没有lib这个文件夹，变成了lib64,注意这个变化，在建立软链接的时候一定要写lib64不能写成lib.

解决办法：

进入解压后的Python3.10.7文件目录,打开Python-3.10.7/Modules/目录下的Setup文件

vim /Modules/Setup

把下面5句代码的注释取消，还有两个地方的路径要修改。 - OPENSSL后面的路径改成你自己的openssl目录，我的是/urs/local/openssl，这里原本是OPENSSL=/path/to/openssl/directory。 - 二是蓝色框里面的要改成lib64，其它的不要动保存。我的openssl版本是3.0.5

最后保存退出

2.5.2 编译安装Python3.10.7

cd Python-3.10.7
./configure --prefix=/usr/local/python3
make clean
make install

建立软连接：

ln -s /usr/local/python3/bin/python3.10 /usr/bin/python3
ln -s /usr/local/python3/bin/pip3.10 /usr/bin/pip3

测试是否能正常导入_ssl，不报错即正常

3. 配置Fastchat

GitHub项目源地址： https:// github.com/lm-sys/FastC hat

先进行依赖包安装

pip3 install fschat

下载项目到本地，慢的话可以自己下载好通过FTP上传到服务器

git clone https://github.com/lm-sys/FastChat.git
cd FastChat

安装依赖包

# 如果你是严格按照上面的过程做的，请这样升级pip3
/usr/local/python3/bin/python3.10 -m pip install --upgrade pip
# 否则的话使用这种方式，不升级pip会报错
#pip3 install --upgrade pip  # enable PEP 660 support  
pip3 install -e .

4. 模型下载

模型下载链接：

cd FastChat && mkdir vicuna

下载后将victuna-13b和vicuna-7b两个模型放在FastChat/vicuna文件中

5. cli测试

下面的命令对于Vicuna-13B需要约28GB的GPU内存，对于Vicuna-7B需要约14GB的GPU内存。根据自己的设备情况自行测试最佳的运行方式

# 启动vicuna-7b模型
python3 -m fastchat.serve.cli --model-path vicuna/vicuna-7b-v1.1
# 启动/vicuna-13b-v1.1 --load-8bit， 13B需要28G显存，无法直接使用，可以使用--load-8bit
python3 -m fastchat.serve.cli --model-path vicuna_data/vicuna-13b-v1.1 --load-8bit
# 加载多块GPU
python3 -m fastchat.serve.cli --model-path vicuna_data/vicuna-7b-v1.1 --num-gpus 2
# 这将仅在CPU上运行，不需要GPU。对于Vicuna-13B需要约60GB的CPU内存，对于Vicuna-7B需要约30GB的CPU内存。
python3 -m fastchat.serve.cli --model-path vicuna_data/vicuna-7b-v1.1 --device cpu

6. 羊驼模型Web GUI测试

要使用Web用户界面进行服务，需要三个主要组件：与用户进行交互的Web服务器，托管一个或多个模型的模型工作器，以及协调Web服务器和模型工作器的控制器。

首先开启三个不同的终端

1、启动控制器，该控制器负责管理分布式工作器。

python3 -m fastchat.serve.controller

2、启动模型工作器，等待进程加载模型完成，并看到"Uvicorn running on ..."的提示，模型工作器将向控制器注册自己。

# 如果没有GPU，要在后面添加 --device cpu，否则会报错
python3 -m fastchat.serve.model_worker --model-name 'vicuna-7b-v1.1' --model-path vicuna_data/vicuna-7b-v1.1

3、为确保您的模型工作器与控制器正确连接，请使用以下命令发送测试消息，您将看到一个简短的输出。

python3 -m fastchat.serve.test_message --model-name vicuna-7b-v1.1

4、启动Gradio Web服务器，这是用户将与之交互的用户界面。

python3 -m fastchat.serve.gradio_web_server

5、在浏览器访问：localhost:7860，看到如下窗口，即可进行交互

二、WIndows操作系统下部署

1. 环境介绍

• 操作系统：win10
• I7，64G运行内存
• GPU 4080 16G
• Python3.10.7
• Pycharm 2021.3

2. 安装开发环境

2.1 安装Python3.10.7 、Pycharm破解版、Git

傻瓜式安装，安装包看这里：

3. 安装FastChat

3.1 使用Git下载FastChat源码

首先打开Git Bash

进入项目的文件夹，我这里是E:\02_LargeModel，执行命令：

git clone https://github.com/lm-sys/FastChat.git

等待执行完成

3.2 使用Pycharm配置项目

配置python虚拟环境

点击OK后，等待创建虚拟环境，然后再次点击OK

安装依赖包

pip install fschat -i https://pypi.tuna.tsinghua.edu.cn/simple

等待安装完成即可。

进入FastChat文件夹，升级pip及安装依赖

cd FastChat
pip install --upgrade pip
pip install -e .

3.3 检查CUDA

安装到这里，我们要先检查以下CUDA，可以新建一个test.py，打印一下设备情况 ：

如果输出是CUDA，就可以跳过这一节，否则的话，请严格按照文档进行操作

3.3.1 查看显卡信息

win+R -> 输入cmd 然后点击“运行” -> 输入nvidia-smi 检查是否有显卡信息

3.3.2 查看CUDA与Torch的对应关系

3.3.3 Torch与Torchvision对应关系

3.3.4 Torch与Torchaudio对应关系

3.3.5 下载对应版本的whl文件

回顾一下我的环境，CUDA12.0，Python3.10.7，所以我选择的版本是：

下载链接如下：

如果你跟我的CUDA版本不同，那么请根据自己的版本，选择对应的torch、torchaudio、torchvision版本，如果跟我的相同，可以直接从我提供的软件包中进行安装

3.3.6 安装GPU版Torch

在FastChat新建一个torch_whl文件夹，把下载好的三个.whl文件存放进去，如图：

3.3.7 测试GPU

完成上述安装后，再次执行test.py文件，如果输出是cuda，则安装成功，如还是cpu，请自行检查

4. 加载羊驼模型

在FastChat文件夹下新建一个vicuna文件夹，将下载的7B和13B模型存放在这里

整体目录结构如下：

5. cli测试

下面的命令对于Vicuna-13B需要约28GB的GPU内存，对于Vicuna-7B需要约14GB的GPU内存。根据自己的设备情况自行测试最佳的运行方式

# 启动vicuna-7b模型
python -m fastchat.serve.cli --model-path vicuna/vicuna-7b
# 启动/vicuna-13b-v1.1 --load-8bit， 13B需要28G显存，无法直接使用，可以使用--load-8bit
python3 -m fastchat.serve.cli --model-path vicuna_data/vicuna-13b-v1.1 --load-8bit