1.更新DeepSeek Moe部署

DeepSeek/06-DeepSeek-MoE-16b-chat FastApi.md

@@ -0,0 +1,153 @@
+# DeepSeek-MoE-16b-chat Transformers 部署调用
+
+## DeepSeek-MoE-16b-chat 介绍
+
+DeepSeek MoE目前推出的版本参数量为160亿，实际激活参数量大约是28亿。与自家的7B密集模型相比，二者在19个数据集上的表现各有胜负，但整体比较接近。而与同为密集模型的Llama 2-7B相比，DeepSeek MoE在数学、代码等方面还体现出来明显的优势。但两种密集模型的计算量都超过了180TFLOPs每4k token，DeepSeek MoE却只有74.4TFLOPs，只有两者的40%。
+
+## 环境准备
+在autodl平台中租一个**双卡3090等24G（共计48G）**显存的显卡机器，如下图所示镜像选择PyTorch-->2.1.0-->3.10(ubuntu22.04)-->12.1
+接下来打开刚刚租用服务器的JupyterLab， 图像 并且打开其中的终端开始环境配置、模型下载和运行演示。 
+![Alt text](images/image-6.png)
+pip换源和安装依赖包
+```
+# 升级pip
+python -m pip install --upgrade pip
+# 更换 pypi 源加速库的安装
+pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
+
+pip install fastapi==0.104.1
+pip install uvicorn==0.24.0.post1
+pip install requests==2.25.1
+pip install modelscope==1.9.5
+pip install transformers==4.35.2
+pip install streamlit==1.24.0
+pip install sentencepiece==0.1.99
+pip install accelerate==0.24.1
+pip install transformers_stream_generator==0.0.4
+```
+## 模型下载
+使用 modelscope 中的snapshot_download函数下载模型，第一个参数为模型名称，参数cache_dir为模型的下载路径。
+
+在 /root/autodl-tmp 路径下新建 download.py 文件并在其中输入以下内容，粘贴代码后记得保存文件，如下图所示。并运行 python /root/autodl-tmp/download.py 执行下载，模型大小为15 GB，下载模型大概需要10~20分钟
+
+```
+import torch
+from modelscope import snapshot_download, AutoModel, AutoTokenizer
+from modelscope import GenerationConfig
+model_dir = snapshot_download('deepseek-ai/deepseek-llm-7b-chat', cache_dir='/root/autodl-tmp', revision='master')
+```
+
+## 代码准备 
+
+在/root/autodl-tmp路径下新建api.py文件并在其中输入以下内容，粘贴代码后记得保存文件。下面的代码有很详细的注释，大家如有不理解的地方，欢迎提出issue。
+```
+from fastapi import FastAPI, Request
+from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig
+import uvicorn
+import json
+import datetime
+import torch
+
+# 设置设备参数
+DEVICE = "cuda"  # 使用CUDA
+DEVICE_ID = "0"  # CUDA设备ID，如果未设置则为空
+CUDA_DEVICE = f"{DEVICE}:{DEVICE_ID}" if DEVICE_ID else DEVICE  # 组合CUDA设备信息
+
+# 清理GPU内存函数
+def torch_gc():
+    if torch.cuda.is_available():  # 检查是否可用CUDA
+        with torch.cuda.device(CUDA_DEVICE):  # 指定CUDA设备
+            torch.cuda.empty_cache()  # 清空CUDA缓存
+            torch.cuda.ipc_collect()  # 收集CUDA内存碎片
+
+# 创建FastAPI应用
+app = FastAPI()
+
+# 处理POST请求的端点
+@app.post("/")
+async def create_item(request: Request):
+    global model, tokenizer  # 声明全局变量以便在函数内部使用模型和分词器
+    json_post_raw = await request.json()  # 获取POST请求的JSON数据
+    json_post = json.dumps(json_post_raw)  # 将JSON数据转换为字符串
+    json_post_list = json.loads(json_post)  # 将字符串转换为Python对象
+    prompt = json_post_list.get('prompt')  # 获取请求中的提示
+    max_length = json_post_list.get('max_length')  # 获取请求中的最大长度
+    
+    # 构建 messages      
+    messages = [
+        {"role": "user", "content": prompt}
+    ]
+    # 构建输入     
+    input_tensor = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt")
+    # 通过模型获得输出
+    outputs = model.generate(input_tensor.to(model.device), max_new_tokens=max_length)
+    result = tokenizer.decode(outputs[0][input_tensor.shape[1]:], skip_special_tokens=True)
+    
+    now = datetime.datetime.now()  # 获取当前时间
+    time = now.strftime("%Y-%m-%d %H:%M:%S")  # 格式化时间为字符串
+    # 构建响应JSON
+    answer = {
+        "response": result,
+        "status": 200,
+        "time": time
+    }
+    # 构建日志信息
+    log = "[" + time + "] " + '", prompt:"' + prompt + '", response:"' + repr(result) + '"'
+    print(log)  # 打印日志
+    torch_gc()  # 执行GPU内存清理
+    return answer  # 返回响应
+
+# 主函数入口
+if __name__ == '__main__':
+    mode_name_or_path = '/root/autodl-tmp/deepseek-ai/deepseek-llm-7b-chat'
+    # 加载预训练的分词器和模型
+    tokenizer = AutoTokenizer.from_pretrained(mode_name_or_path, trust_remote_code=True)
+    model = AutoModelForCausalLM.from_pretrained(mode_name_or_path, trust_remote_code=True,torch_dtype=torch.bfloat16,  device_map="auto")
+    model.generation_config = GenerationConfig.from_pretrained(mode_name_or_path)
+    model.generation_config.pad_token_id = model.generation_config.eos_token_id
+    model.eval()  # 设置模型为评估模式
+    # 启动FastAPI应用
+    # 用6006端口可以将autodl的端口映射到本地，从而在本地使用api
+    uvicorn.run(app, host='0.0.0.0', port=6006, workers=1)  # 在指定端口和主机上启动应用
+```
+
+## Api 部署
+
+在终端输入以下命令启动api服务
+```
+cd /root/autodl-tmp
+python api.py
+```
+加载完毕后出现如下信息说明成功。
+![Alt text](images/image-2.png)
+
+默认部署在 6006 端口，通过 POST 方法进行调用，可以使用curl调用，如下所示：
+```
+curl -X POST "http://127.0.0.1:6006" \
+     -H 'Content-Type: application/json' \
+     -d '{"prompt": "你好"}'
+```
+也可以使用python中的requests库进行调用，如下所示：
+```
+import requests
+import json
+
+def get_completion(prompt):
+    headers = {'Content-Type': 'application/json'}
+    data = {"prompt": prompt}
+    response = requests.post(url='http://127.0.0.1:6006', headers=headers, data=json.dumps(data))
+    return response.json()['response']
+
+if __name__ == '__main__':
+    print(get_completion('你好'))
+```
+得到的返回值如下所示：
+
+```text
+{
+    'response': '你好！有什么我可以帮助你的吗？', 
+    'status': 200, 
+    'time': '2023-12-01 17:06:10'
+}
+```
+![Alt text](images/image-3.png)

DeepSeek/06-DeepSeek-MoE-16b-chat Transformer部署调用.md

@@ -0,0 +1,76 @@
+# DeepSeek-MoE-16b-chat Transformers 部署调用
+
+## DeepSeek-MoE-16b-chat 介绍
+
+DeepSeek MoE目前推出的版本参数量为160亿，实际激活参数量大约是28亿。与自家的7B密集模型相比，二者在19个数据集上的表现各有胜负，但整体比较接近。而与同为密集模型的Llama 2-7B相比，DeepSeek MoE在数学、代码等方面还体现出来明显的优势。但两种密集模型的计算量都超过了180TFLOPs每4k token，DeepSeek MoE却只有74.4TFLOPs，只有两者的40%。
+
+## 环境准备
+在autodl平台中租一个**双卡3090等24G（共计48G）**显存的显卡机器，如下图所示镜像选择PyTorch-->2.1.0-->3.10(ubuntu22.04)-->12.1
+接下来打开刚刚租用服务器的JupyterLab， 图像 并且打开其中的终端开始环境配置、模型下载和运行演示。 
+![Alt text](images/image-6.png)
+
+接下来打开刚刚租用服务器的`JupyterLab`，并且打开其中的终端开始环境配置、模型下载和运行`demo`。
+
+pip换源和安装依赖包
+
+```shell
+# 升级pip
+python -m pip install --upgrade pip
+# 更换 pypi 源加速库的安装
+pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
+
+pip install modelscope transformers sentencepiece
+pip install https://github.com/Dao-AILab/flash-attention/releases/download/v2.4.2/flash_attn-2.4.2+cu118torch2.1cxx11abiTRUE-cp310-cp310-linux_x86_64.whl
+```
+
+## 模型下载
+
+使用 `modelscope` 中的`snapshot_download`函数下载模型，第一个参数为模型名称，参数`cache_dir`为模型的下载路径。
+
+在 `/root/autodl-tmp` 路径下新建 `download.py` 文件并在其中输入以下内容，粘贴代码后记得保存文件，如下图所示。并运行 `python /root/autodl-tmp/download.py`执行下载，模型大小为 30 GB，下载模型大概需要 10~20 分钟
+
+```python
+import torch
+from modelscope import snapshot_download, AutoModel, AutoTokenizer
+import os
+model_dir = snapshot_download('deepseek-ai/deepseek-moe-16b-chat', cache_dir='/root/autodl-tmp', revision='master')
+```
+
+## 代码准备
+
+在/root/autodl-tmp路径下新建trans.py文件并在其中输入以下内容
+```python
+# 使用Hugging Face中'transformer'库中的AutoTokenizer和AutoModelForCausalLM以加载分词器和对话模型
+from transformers import AutoTokenizer, AutoModelForCausalLM
+import torch
+# 使用模型下载到的本地路径以加载
+model_dir = '/root/autodl-tmp/deepseek-ai/deepseek-moe-16b-chat'
+# 分词器的加载，本地加载，trust_remote_code=True设置允许从网络上下载模型权重和相关的代码
+tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)
+# 模型加载，本地加载，使用AutoModelForCausalLM类
+model = AutoModelForCausalLM.from_pretrained(model_dir, trust_remote_code=True)
+# 将模型移动到GPU上进行加速（如果有GPU的话）
+device = torch.device("cuda")
+model.to(device)
+# 使用模型的评估模式来产生对话
+model.eval()
+# 第一轮对话
+response, history = model.chat(tokenizer, "你好", history=[])
+print(response)
+# 第二轮对话
+response, history = model.chat(tokenizer, "请介绍一下你自己", history=history)
+print(response)
+# 第三轮对话
+response, history = model.chat(tokenizer, "请帮我使用python语言写一段冒泡排序的代码", history=history)
+print(response)
+```
+### 部署
+
+在终端输入以下命令运行trans.py，即实现ChatGLM3-6B的Transformers部署调用
+
+```shell
+cd /root/autodl-tmp
+python trans.py
+```
+观察命令行中loading checkpoint表示模型正在加载，等待模型加载完成产生对话，如下图所示
+![image](images/image-6.png)