教程文档：https://github.com/InternLM/tutorial/blob/vansin-patch-4/lmdeploy/lmdeploy.md#tritonserver-%E6%9C%8D%E5%8A%A1%E4%BD%9C%E4%B8%BA%E5%90%8E%E7%AB%AF
视频链接：
作业：
基础作业
使用如下命令创建conda环境
conda create -n lmdeploy --clone /share/conda_envs/internlm-base
然后激活环境，进入环境。
通过pip命令安装lmdeploy
pip install 'lmdeploy[all]==v0.1.0'
途中遇到报错，说没有packaing这个包。
那么通过pip install packaging命令进行安装，此时再执行安装lmdeploy的命令，发现安装一直卡在flash-attn的wheel上。
看到了QA文档中的解决方案，先通过以下命令手动安装flash-attn的wheel，再执行lmdeploy的安装命令，就可以顺利安装。
pip install /root/share/wheels/flash_attn-2.4.2+cu118torch2.0cxx11abiTRUE-cp310-cp310-linux_x86_64.whl
Client左侧为Server端，是经典的C/S架构。
Model Inference是相对独立的一部分，要与业务解耦。API Server是对外暴露服务的部分。
本地对话
Lmdeploy支持直接读取huggingface上的模型权重。这里以internlm-chat7b为例，执行以下命令启动internlm-chat7b模型。即可开启本地对话
有一说一，lmdeploy部署的模型回复速度好快。
离线转换需要在启动服务之前，，使用lmdeploy convert命令即可。
lmdeploy convert internlm-chat-7b /root/share/temp/model_repos/internlm-chat-7b/
lmconvert的作用是将文件转换成lmdeploy要求的格式。
那lmdeploy要求的格式是什么呢？长下面这样子。
其中weights目录的文件长以下这样
这里将每一层网络的参数都拿了出来，bias和weeight分开。前面的那个数字0指代的则是显卡的编号。
分开显卡的编号主要是方便Tensor并行，拆开计算。
TurboMind推理+命令行本地对话
执行以下命令
lmdeploy convert internlm-chat-7b /root/share/temp/model_repos/internlm-chat-7b/
TurboMind推理+API服务
可以通过下面的命令来启动API服务，相当于启动了一个服务器server端
lmdeploy serve api_server ./workspace \--server_name 0.0.0.0 \--server_port 23333 \--instance_num 64 \--tp 1
此时，vscode里新开一个窗口，首先激活环境，然后再敲入以下命令充当客户端：
lmdeploy serve api_client http://localhost:23333
然后在客户端（右侧）进行聊天，服务端（左侧）会收到相关请求，并回复消息给客户端。整个速度非常快。
此时，敲下方命令进行端口转发
ssh -CNg -L 23333:127.0.0.1:23333 root@ssh.intern-ai.org.cn -p
此时在浏览器网址栏输入http://localhost:23333/，就可以看到API信息了。
点击GET请求，然后点击try it out，点击execute，就可以看到模型列表。
我们换个接口再试试，点击completion这个接口，点击try it out，将message里的字符串换一个。也能得到正常的回复。
网页DEMO演示+基础作业300字生成演示
此处仅展示turbomind作为后端。敲入以下命令，启动gradio后端。
lmdeploy serve gradio ./workspace
等到出现Running on local URL: …就说明部署好了
现在敲入以下命令转发6006端口
ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 35122
就可以在浏览器中看到相关界面了
我跟他说不高兴，想听一个童话故事。
