Windows PC上从零开始部署ChatGML-6B-int4量化模型

引言

ChatGLM-6B是清华大学知识工程和数据挖掘小组（Knowledge Engineering Group (KEG) & Data Mining at Tsinghua University）发布的一个开源的对话机器人。6B表示这是ChatGLM模型的60亿参数的小规模版本，约60亿参数。

ChatGML-6B-int4量化模型是针对ChatGML-6B做的优化版本，占用更少的资源，以便个人电脑进行部署测试和使用。

大模型的部署一般需要GPU资源，而个人电脑一般都是Windows操作系统，且没有独立的GPU。那么大模型如何部署在只有CPU的Windows机器上呢？需要额外安装一个叫TDM-GCC的软件。

下面详细阐述ChatGML-6B-int4量化模型在Windows PC上的操作过程：

环境准备

ChatGML-6B-int4量化模型部署需要提供python运行环境、安装好Git版本管理工具和TDM-GCC软件。

1. 安装Anaconda

Anaconda是可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。

下载安装

Anaconda官方下载地址：www.anaconda.com/download/ 下载之后，一路点击【next】，即可安装完成。

配置环境变量

在PC电脑的环境变量Path中增加Anaconda相关的环境变量。

makefile
复制代码
E:\Anaconda 
E:\Anaconda\Scripts 
E:\Anaconda\Library\mingw-w64\bin
E:\Anaconda\Library\usr\bin 
E:\Anaconda\Library\bin

注意，其中E:\Anaconda改为Anaconda自己的安装根目录。

修改pip镜像源

修改pip安装软件的镜像源，可以加速依赖下载速度。

csharp
复制代码
# 阿里源
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/

2. 安装Git

Git Windows版本下载地址：git-scm.com/download/wi… 下载之后可以一路点击【next】即完成安装，通过如下命令查看版本信息：

复制代码
git version

3. 安装TDM-GCC

TDM-GCC主要对模型一些C代码提供编译环境，下载地址：jmeubank.github.io/tdm-gcc/ 下载之后可以一路点击【next】即完成安装。

模型部署

1. 下载模型源码并安装依赖

（1）在你的工作目录打开命令提示窗口，默认下载到当前目录

bash
复制代码
git clone https://github.com/THUDM/ChatGLM-6B

（2）切换到chatGLM-6B目录

bash
复制代码
cd ChatGLM-6B

（3）创建conda的虚拟环境,指定Python的版本

ini
复制代码
conda create -n VENV310 python=3.10

（4）激活环境

复制代码
conda activate VENV310

（5）下载依赖包

复制代码
pip install -r requirements.txt

本节指定的版本非常重要，否则会在下载依赖包环节出现各种问题。本节操作目的主要是为下面的量化模型提供运行脚本和运行环境。

2. 下载量化模型

ChatGML-6B-int4量化模型下载比较麻烦，需要到huggingface网站下载，需要用到科学上网。网上说国内魔搭社区下载的模型代码不完整。

在huggingface上下载又有两种方式：通过Git下载和浏览器下载。

（1）Git下载方式：

bash
复制代码
git lfs install 
git clone https://huggingface.co/THUDM/chatglm-6b-int4

可以将该工程下载到chatGLM-6B目录下面。

（2）浏览器下载：在浏览器打开huggingface.co/THUDM/chatg…，将目录下的文件全部下载到如下目录：

bash
复制代码
chatGLM-6B/chatglm-6b-int4  #如果没有该目录则新建

3. 运行量化模型

模型运行脚本文件为：ChatGLM-6B\cli_demo.py，修改该文件的模型加载代码，改为加载chatglm-6b-int4量化模型。修改内容如下：

ini
复制代码
# tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True)
# model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda()
tokenizer = AutoTokenizer.from_pretrained("chatglm-6b-int4", trust_remote_code=True)
model = AutoModel.from_pretrained("chatglm-6b-int4",trust_remote_code=True).float()

注意，量化模型目录chatglm-6b-int4一定要保证与当前文件在同一个父目录下。

运行出现的问题：

（1）在启动cli_demo的时候报错：No module named ‘readline’ 解决方案：下载pyreadline3，在当前激活的虚拟环境中执行如下命令：

复制代码
python -m pip install pyreadline

（2）在启动cli_demo的时候报错：AttributeError: module ‘collections’ has no attribute ‘Callable’ 解决方案：这是pyreadline依赖包的文件py3k_compat.py有问题，需要修改依赖包的代码，把return isinstance(x, collections.Callable)改为 return isinstance(x, collections.abc.Callable)即可正常使用。

处理完上述问题之后，ChatGLM-6B\cli_demo.py该脚本可以正常运行，控制台会输出脚本内置问题的答案，由于电脑配置的问题，结果输出非常缓慢，且我的CPU使用率一直是100%，爆了！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述