书生·浦语大模型图文对话Demo搭建

刺骨的言语ヽ痛彻心扉 2024-04-20 11:50 9阅读 0赞

## 前言 ##

本节我们先来搭建几个Demo来感受一下书生浦语大模型

## InternLM-Chat-7B 智能对话 Demo ##

我们将使用 InternStudio 中的 A100(1/4) 机器和 InternLM-Chat-7B 模型部署一个智能对话 Demo

### 环境准备 ###

在 InternStudio 平台中选择 A100(1/4) 的配置，如下图所示镜像选择 Cuda11.7-conda，如下图所示：  
![在这里插入图片描述][b744237cdefd45219f704aea38f33b3f.png]  
接下来打开刚刚租用服务器的进入开发机，并且打开其中的终端开始环境配置、模型下载和运行 demo。  
![在这里插入图片描述][79714931e40a4319916c330443f6a673.png]  
进入开发机后，在页面的左上角可以切换 JupyterLab、终端和 VScode，并在终端输入 bash 命令，进入 conda 环境。如下图所示：

![在这里插入图片描述][074225ff8b604c90a61702554df1542d.png]  
进入 conda 环境之后，使用以下命令从本地克隆一个已有的 pytorch 2.0.1 的环境

bash # 请每次使用 jupyter lab 打开终端时务必先执行 bash 命令进入 bash 中
    bash /root/share/install_conda_env_internlm_base.sh internlm-demo  # 执行该脚本文件来安装项目实验环境

然后使用以下命令激活环境

conda activate internlm-demo

并在环境中安装运行 demo 所需要的依赖。

# 升级pip
    python -m pip install --upgrade pip
    
    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

### 模型下载 ###

InternStudio 平台的 share 目录下已经为我们准备了全系列的 InternLM 模型，所以我们可以直接复制即可。使用如下命令复制：

mkdir -p /root/model/Shanghai_AI_Laboratory
    cp -r /root/share/temp/model_repos/internlm-chat-7b /root/model/Shanghai_AI_Laboratory

> \-r 选项表示递归地复制目录及其内容

也可以使用 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 路径下新建目录 model，在目录下新建 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/model/download.py 执行下载，模型大小为 14 GB，下载模型大概需要 10~20 分钟

import torch
    from modelscope import snapshot_download, AutoModel, AutoTokenizer
    import os
    model_dir = snapshot_download('Shanghai_AI_Laboratory/internlm-chat-7b', cache_dir='/root/model', revision='v1.0.3')

> 注意：使用 pwd 命令可以查看当前的路径，JupyterLab 左侧目录栏显示为 /root/ 下的路径。

![在这里插入图片描述][3641306cdee848ddaa9ac83549859520.png]

### 代码准备 ###

首先 clone 代码，在 /root 路径下新建 code 目录，然后切换路径, clone 代码.

cd /root/code
    git clone https://gitee.com/internlm/InternLM.git

切换 commit 版本，与教程 commit 版本保持一致，可以让大家更好的复现。

cd InternLM
    git checkout 3028f07cb79e5b1d7342f4ad8d11efad3fd13d17

将 /root/code/InternLM/web\_demo.py 中 29 行和 33 行的模型更换为本地的 /root/model/Shanghai\_AI\_Laboratory/internlm-chat-7b。

![在这里插入图片描述][1760aba49d004cde8c4b561a6b2a4596.png]

### 终端运行 ###

我们可以在 /root/code/InternLM 目录下新建一个 cli\_demo.py 文件，将以下代码填入其中：

import torch
    from transformers import AutoTokenizer, AutoModelForCausalLM
    
    
    model_name_or_path = "/root/model/Shanghai_AI_Laboratory/internlm-chat-7b"
    
    tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=True)
    model = AutoModelForCausalLM.from_pretrained(model_name_or_path, trust_remote_code=True, torch_dtype=torch.bfloat16, device_map='auto')
    model = model.eval()
    
    system_prompt = """You are an AI assistant whose name is InternLM (书生·浦语).
    - InternLM (书生·浦语) is a conversational language model that is developed by Shanghai AI Laboratory (上海人工智能实验室). It is designed to be helpful, honest, and harmless.
    - InternLM (书生·浦语) can understand and communicate fluently in the language chosen by the user such as English and 中文.
    """
    
    messages = [(system_prompt, '')]
    
    print("=============Welcome to InternLM chatbot, type 'exit' to exit.=============")
    
    while True:
        input_text = input("User  >>> ")
        input_text = input_text.replace(' ', '')
        if input_text == "exit":
            break
        response, history = model.chat(tokenizer, input_text, history=messages)
        messages.append((input_text, response))
        print(f"robot >>> {
          response}")

然后在终端运行以下命令，即可体验 InternLM-Chat-7B 模型的对话能力。对话效果如下所示:

python /root/code/InternLM/cli_demo.py

![在这里插入图片描述][9b59380f0bd74d55b312b9ba0370b5b9.png]

### web demo 运行 ###

我们切换到 VScode 中，运行 /root/code/InternLM 目录下的 web\_demo.py 文件，输入以下命令后，查看本教程**配置本地端口**后，将端口映射到本地。在本地浏览器输入 http://127.0.0.1:6006 即可。

bash
    conda activate internlm-demo  # 首次进入 vscode 会默认是 base 环境，所以首先切换环境
    cd /root/code/InternLM
    streamlit run web_demo.py --server.address 127.0.0.1 --server.port 6006

![在这里插入图片描述][e2cd147f22ce4b04a908594fd339be66.png]  
注意：要在浏览器打开 http://127.0.0.1:6006 页面后，模型才会加载，如下图所示：  
![在这里插入图片描述][e884b4c01ced4727ba785e81dd391bee.png]  
在加载完模型之后，就可以与 InternLM-Chat-7B 进行对话了，如下图所示：

![在这里插入图片描述][d77cf52f9cb142518069e8ac7e3dc3d1.png]

## Lagent 智能体工具调用 Demo ##

我们将使用 InternStudio 中的 A100(1/4) 机器、InternLM-Chat-7B 模型和 Lagent 框架部署一个智能工具调用 Demo。

Lagent 是一个轻量级、开源的基于大语言模型的智能体（agent）框架，支持用户快速地将一个大语言模型转变为多种类型的智能体，并提供了一些典型工具为大语言模型赋能。通过 Lagent 框架可以更好的发挥 InternLM 的全部性能。

下面我们就开始动手实现！

### 环境准备 ###

选择和第一个 InternLM 一样的镜像环境，运行以下命令安装依赖，如果上一个 InternLM-Chat-7B 已经配置好环境不需要重复安装.

### 模型下载 ###

InternStudio 平台的 share 目录下已经为我们准备了全系列的 InternLM 模型，所以我们可以直接复制即可。使用如下命令复制：

mkdir -p /root/model/Shanghai_AI_Laboratory
    cp -r /root/share/temp/model_repos/internlm-chat-7b /root/model/Shanghai_AI_Laboratory

> \-r 选项表示递归地复制目录及其内容

也可以在 /root/model 路径下新建 download.py 文件并在其中输入以下内容，并运行 python /root/model/download.py 执行下载，模型大小为 14 GB，下载模型大概需要 10~20 分钟

### Lagent 安装 ###

首先切换路径到 /root/code 克隆 lagent 仓库，并通过 pip install -e . 源码安装 Lagent

cd /root/code
    git clone https://gitee.com/internlm/lagent.git
    cd /root/code/lagent
    git checkout 511b03889010c4811b1701abb153e02b8e94fb5e # 尽量保证和教程commit版本一致
    pip install -e . # 源码安装

### 修改代码 ###

由于代码修改的地方比较多，大家直接将 /root/code/lagent/examples/react\_web\_demo.py 内容替换为以下代码

import copy
 import os
 
 import streamlit as st
 from streamlit.logger import get_logger
 
 from lagent.actions import ActionExecutor, GoogleSearch, PythonInterpreter
 from lagent.agents.react import ReAct
 from lagent.llms import GPTAPI
 from lagent.llms.huggingface import HFTransformerCasualLM
 
 
 class SessionState:
 
 def init_state(self):
 """Initialize session state variables."""
 st.session_state['assistant'] = []
 st.session_state['user'] = []
 
 #action_list = [PythonInterpreter(), GoogleSearch()]
 action_list = [PythonInterpreter()]
 st.session_state['plugin_map'] = {
 
 action.name: action
 for action in action_list
 }
 st.session_state['model_map'] = {
 }
 st.session_state['model_selected'] = None
 st.session_state['plugin_actions'] = set()
 
 def clear_state(self):
 """Clear the existing session state."""
 st.session_state['assistant'] = []
 st.session_state['user'] = []
 st.session_state['model_selected'] = None
 if 'chatbot' in st.session_state:
 st.session_state['chatbot']._session_history = []
 
 
 class StreamlitUI:
 
 def __init__(self, session_state: SessionState):
 self.init_streamlit()
 self.session_state = session_state
 
 def init_streamlit(self):
 """Initialize Streamlit's UI settings."""
 st.set_page_config(
 layout='wide',
 page_title='lagent-web',
 page_icon='./docs/imgs/lagent_icon.png')
 # st.header(':robot_face: :blue[Lagent] Web Demo ', divider='rainbow')
 st.sidebar.title('模型控制')
 
 def setup_sidebar(self):
 """Setup the sidebar for model and plugin selection."""
 model_name = st.sidebar.selectbox(
 '模型选择：', options=['gpt-3.5-turbo','internlm'])
 if model_name != st.session_state['model_selected']:
 model = self.init_model(model_name)
 self.session_state.clear_state()
 st.session_state['model_selected'] = model_name
 if 'chatbot' in st.session_state:
 del st.session_state['chatbot']
 else:
 model = st.session_state['model_map'][model_name]
 
 plugin_name = st.sidebar.multiselect(
 '插件选择',
 options=list(st.session_state['plugin_map'].keys()),
 default=[list(st.session_state['plugin_map'].keys())[0]],
 )
 
 plugin_action = [
 st.session_state['plugin_map'][name] for name in plugin_name
 ]
 if 'chatbot' in st.session_state:
 st.session_state['chatbot']._action_executor = ActionExecutor(
 actions=plugin_action)
 if st.sidebar.button('清空对话', key='clear'):
 self.session_state.clear_state()
 uploaded_file = st.sidebar.file_uploader(
 '上传文件', type=['png', 'jpg', 'jpeg', 'mp4', 'mp3', 'wav'])
 return model_name, model, plugin_action, uploaded_file
 
 def init_model(self, option):
 """Initialize the model based on the selected option."""
 if option not in st.session_state['model_map']:
 if option.startswith('gpt'):
 st.session_state['model_map'][option] = GPTAPI(
 model_type=option)
 else:
 st.session_state['model_map'][option] = HFTransformerCasualLM(
 '/root/model/Shanghai_AI_Laboratory/internlm-chat-7b')
 return st.session_state['model_map'][option]
 
 def initialize_chatbot(self, model, plugin_action):
 """Initialize the chatbot with the given model and plugin actions."""
 return ReAct(
 llm=model, action_executor=ActionExecutor(actions=plugin_action))
 
 def render_user(self, prompt: str):
 with st.chat_message('user'):
 st.markdown(prompt)
 
 def render_assistant(self, agent_return):
 with st.chat_message('assistant'):
 for action in agent_return.actions:
 if (action):
 self.render_action(action)
 st.markdown(agent_return.response)
 
 def render_action(self, action):
 with st.expander(action.type, expanded=True):
 st.markdown(
 " 插 件:" # noqa E501
 + action.type + '',
 unsafe_allow_html=True)
 st.markdown(
 " 思考步骤:" # noqa E501
 + action.thought + '',
 unsafe_allow_html=True)
 if (isinstance(action.args, dict) and 'text' in action.args):
 st.markdown(
 " 执行内容:", # noqa E501
 unsafe_allow_html=True)
 st.markdown(action.args['text'])
 self.render_action_results(action)
 
 def render_action_results(self, action):
 """Render the results of action, including text, images, videos, and
 audios."""
 if (isinstance(action.result, dict)):
 st.markdown(
 " 执行结果:", # noqa E501
 unsafe_allow_html=True)
 if 'text' in action.result:
 st.markdown(
 "" + action.result['text'] +
 '',
 unsafe_allow_html=True)
 if 'image' in action.result:
 image_path = action.result['image']
 image_data = open(image_path, 'rb').read()
 st.image(image_data, caption='Generated Image')
 if 'video' in action.result:
 video_data = action.result['video']
 video_data = open(video_data, 'rb').read()
 st.video(video_data)
 if 'audio' in action.result:
 audio_data = action.result['audio']
 audio_data = open(audio_data, 'rb').read()
 st.audio(audio_data)
 
 
 def main():
 logger = get_logger(__name__)
 # Initialize Streamlit UI and setup sidebar
 if 'ui' not in st.session_state:
 session_state = SessionState()
 session_state.init_state()
 st.session_state['ui'] = StreamlitUI(session_state)
 
 else:
 st.set_page_config(
 layout='wide',
 page_title='lagent-web',
 page_icon='./docs/imgs/lagent_icon.png')
 # st.header(':robot_face: :blue[Lagent] Web Demo ', divider='rainbow')
 model_name, model, plugin_action, uploaded_file = st.session_state[
 'ui'].setup_sidebar()
 
 # Initialize chatbot if it is not already initialized
 # or if the model has changed
 if 'chatbot' not in st.session_state or model != st.session_state[
 'chatbot']._llm:
 st.session_state['chatbot'] = st.session_state[
 'ui'].initialize_chatbot(model, plugin_action)
 
 for prompt, agent_return in zip(st.session_state['user'],
 st.session_state['assistant']):
 st.session_state['ui'].render_user(prompt)
 st.session_state['ui'].render_assistant(agent_return)
 # User input form at the bottom (this part will be at the bottom)
 # with st.form(key='my_form', clear_on_submit=True):
 
 if user_input := st.chat_input(''):
 st.session_state['ui'].render_user(user_input)
 st.session_state['user'].append(user_input)
 # Add file uploader to sidebar
 if uploaded_file:
 file_bytes = uploaded_file.read()
 file_type = uploaded_file.type
 if 'image' in file_type:
 st.image(file_bytes, caption='Uploaded Image')
 elif 'video' in file_type:
 st.video(file_bytes, caption='Uploaded Video')
 elif 'audio' in file_type:
 st.audio(file_bytes, caption='Uploaded Audio')
 # Save the file to a temporary location and get the path
 file_path = os.path.join(root_dir, uploaded_file.name)
 with open(file_path, 'wb') as tmpfile:
 tmpfile.write(file_bytes)
 st.write(f'File saved at: {
 file_path}')
 user_input = '我上传了一个图像，路径为: {file_path}. {user_input}'.format(
 file_path=file_path, user_input=user_input)
 agent_return = st.session_state['chatbot'].chat(user_input)
 st.session_state['assistant'].append(copy.deepcopy(agent_return))
 logger.info(agent_return.inner_steps)
 st.session_state['ui'].render_assistant(agent_return)
 
 
 if __name__ == '__main__':
 root_dir = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
 root_dir = os.path.join(root_dir, 'tmp_dir')
 os.makedirs(root_dir, exist_ok=True)
 main()

### Demo 运行 ###

streamlit run /root/code/lagent/examples/react_web_demo.py --server.address 127.0.0.1 --server.port 6006

用同样的方法我们依然切换到 VScode 页面，运行成功后，查看本教程**配置本地端口**后，将端口映射到本地。在本地浏览器输入 http://127.0.0.1:6006 即可。

我们在 Web 页面选择 InternLM 模型，等待模型加载完毕后，输入数学问题 已知 2x+3=10，求x ,此时 InternLM-Chat-7B 模型理解题意生成解此题的 Python 代码，Lagent 调度送入 Python 代码解释器求出该问题的解。  
![在这里插入图片描述][29e96c2d18034bf486c239698379caa3.png]

## 浦语·灵笔图文理解创作 Demo ##

我们将使用 InternStudio 中的 A100(1/4) \* 2 机器和 internlm-xcomposer-7b 模型部署一个图文理解创作 Demo 。

### 环境准备 ###

首先在 InternStudio 上选择 A100(1/4)\*2 的配置。如下图所示：  
![在这里插入图片描述][7b213692da16474e91c4749134fc4960.png]

接下来打开刚刚租用服务器的 进入开发机，并在终端输入 bash 命令，进入 conda 环境，接下来就是安装依赖。

进入 conda 环境之后，使用以下命令从本地克隆一个已有的pytorch 2.0.1 的环境

/root/share/install_conda_env_internlm_base.sh xcomposer-demo

然后使用以下命令激活环境

conda activate xcomposer-demo

接下来运行以下命令，安装 transformers、gradio 等依赖包。请严格安装以下版本安装！

pip install transformers==4.33.1 timm==0.4.12 sentencepiece==0.1.99 gradio==3.44.4 markdown2==2.4.10 xlsxwriter==3.1.2 einops accelerate

### 模型下载 ###

InternStudio平台的 share 目录下已经为我们准备了全系列的 InternLM 模型，所以我们可以直接复制即可。使用如下命令复制：

mkdir -p /root/model/Shanghai_AI_Laboratory
    cp -r /root/share/temp/model_repos/internlm-xcomposer-7b /root/model/Shanghai_AI_Laboratory

> \-r 选项表示递归地复制目录及其内容

也可以安装 modelscope，下载模型的老朋友了

pip install modelscope==1.9.5

在 /root/model 路径下新建 download.py 文件并在其中输入以下内容，并运行 python /root/model/download.py 执行下载

import torch
    from modelscope import snapshot_download, AutoModel, AutoTokenizer
    import os
    model_dir = snapshot_download('Shanghai_AI_Laboratory/internlm-xcomposer-7b', cache_dir='/root/model', revision='master')

### 代码准备 ###

在 /root/code目录 git clone InternLM-XComposer 仓库的代码

cd /root/code
    git clone https://gitee.com/internlm/InternLM-XComposer.git
    cd /root/code/InternLM-XComposer
    git checkout 3e8c79051a1356b9c388a6447867355c0634932d  # 最好保证和教程的 commit 版本一致

### Demo 运行 ###

在终端运行以下代码：

cd /root/code/InternLM-XComposer
    python examples/web_demo.py  \
        --folder /root/model/Shanghai_AI_Laboratory/internlm-xcomposer-7b \
        --num_gpus 1 \
        --port 6006

> 这里 num\_gpus 1 是因为InternStudio平台对于 A100(1/4)\*2 识别仍为一张显卡。但如果有小伙伴课后使用两张 3090 来运行此 demo，仍需将 num\_gpus 设置为 2 。

将端口映射到本地。在本地浏览器输入 http://127.0.0.1:6006 即可。我们以又见敦煌为提示词，体验图文创作的功能，如下图所示：  
![在这里插入图片描述][3b3fb49ffd1e4c6d8becde082ff24f7e.png]

接下来，我们可以体验一下图片理解的能力，如下所示~  
![在这里插入图片描述][8a17e4179ead499f8a3882c3e2308ab9.png]

## 通用环境配置 ##

### pip、conda 换源 ###

更多详细内容可移步至 [MirrorZ Help][] 查看。

#### pip 换源 ####

临时使用镜像源安装，如下所示：`some-package` 为你需要安装的包名

pip install -i https://mirrors.cernet.edu.cn/pypi/web/simple some-package

设置pip默认镜像源，升级 pip 到最新的版本 (>=10.0.0) 后进行配置，如下所示：

python -m pip install --upgrade pip
    pip config set global.index-url https://mirrors.cernet.edu.cn/pypi/web/simple

如果您的 pip 默认源的网络连接较差，临时使用镜像源升级 pip：

python -m pip install -i https://mirrors.cernet.edu.cn/pypi/web/simple --upgrade pip

#### conda 换源 ####

镜像站提供了 Anaconda 仓库与第三方源（conda-forge、msys2、pytorch 等），各系统都可以通过修改用户目录下的 `.condarc` 文件来使用镜像站。

不同系统下的 `.condarc` 目录如下：

* `Linux`: `${HOME}/.condarc`
 * `macOS`: `${HOME}/.condarc`
 * `Windows`: `C:\Users\<YourUserName>\.condarc`

注意：

*  `Windows` 用户无法直接创建名为 `.condarc` 的文件，可先执行 `conda config --set show_channel_urls yes` 生成该文件之后再修改。

快速配置

cat <<'EOF' > ~/.condarc
 channels:
 - defaults
 show_channel_urls: true
 default_channels:
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
 custom_channels:
 conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
 pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
 EOF

### 配置本地端口 ###

由于服务器通常只暴露了用于安全远程登录的 SSH（Secure Shell）端口，如果需要访问服务器上运行的其他服务（如 web 应用）的特定端口，需要一种特殊的设置。我们可以通过使用SSH隧道的方法，将服务器上的这些特定端口映射到本地计算机的端口。这样做的步骤如下：

首先我们需要配置一下本地的 `SSH Key` ，我们这里以 `Windows` 为例。

步骤①：在本地机器上打开 `Power Shell` 终端。在终端中，运行以下命令来生成 SSH 密钥对：（如下图所示）

ssh-keygen -t rsa

![在这里插入图片描述][28a4c6709fb8481688bee8cbd163b099.png]

步骤②： 您将被提示选择密钥文件的保存位置，默认情况下是在 `~/.ssh/` 目录中。按 `Enter` 键接受默认值或输入自定义路径。

步骤③：公钥默认存储在 `~/.ssh/id_rsa.pub`，可以通过系统自带的 `cat` 工具查看文件内容：（如下图所示）

cat ~\.ssh\id_rsa.pub

> `~` 是用户主目录的简写，`.ssh` 是SSH配置文件的默认存储目录，`id_rsa.pub` 是 SSH 公钥文件的默认名称。所以，`cat ~\.ssh\id_rsa.pub` 的意思是查看用户主目录下的 `.ssh` 目录中的 `id_rsa.pub` 文件的内容。

![在这里插入图片描述][03a1acdbf70e485e8d76d28ac5ea5533.png]

步骤④：将公钥复制到剪贴板中，然后回到 `InternStudio` 控制台，点击配置 SSH Key。如下图所示：

![在这里插入图片描述][4781c02533e74a558224214b0e6adfd1.png]

步骤⑤：将刚刚复制的公钥添加进入即可。

![在这里插入图片描述][8ad3ad7f84f74ad792b02cb2cddd5adc.png]

步骤⑥：在本地终端输入以下指令 `.6006` 是在服务器中打开的端口，而 `33090` 是根据开发机的端口进行更改。如下图所示：

ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 33090

![在这里插入图片描述][3b5d3a23fb3c4a14b28ee103a0835ae2.png]

#### 模型下载 ####

***以下下载模型的操作不建议大家在开发机进行哦，在开发机下载模型会占用开发机的大量带宽和内存，下载等待的时间也会比较长，不利于大家学习。大家可以在自己的本地电脑尝试哦~***

##### Hugging Face #####

使用 Hugging Face 官方提供的 `huggingface-cli` 命令行工具。安装依赖:

pip install -U huggingface_hub

然后新建 python 文件，填入以下代码，运行即可。

*  resume-download：断点续下
 *  local-dir：本地存储路径。（linux 环境下需要填写绝对路径）

import os
    
    # 下载模型
    os.system('huggingface-cli download --resume-download internlm/internlm-chat-7b --local-dir your_path')

以下内容将展示使用 `huggingface_hub` 下载模型中的部分文件

import os 
    from huggingface_hub import hf_hub_download  # Load model directly 
    
    hf_hub_download(repo_id="internlm/internlm-7b", filename="config.json")

##### ModelScope #####

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。

注意：`cache_dir` 最好为绝对路径。

安装依赖：

pip install modelscope==1.9.5
    pip install transformers==4.35.2

在当前目录下新建 python 文件，填入以下代码，运行即可。

##### OpenXLab #####

OpenXLab 可以通过指定模型仓库的地址，以及需要下载的文件的名称，文件所需下载的位置等，直接下载模型权重文件。

使用python脚本下载模型首先要安装依赖，安装代码如下：`pip install -U openxlab` 安装完成后使用 download 函数导入模型中心的模型。

from openxlab.model import download
    download(model_repo='OpenLMLab/InternLM-7b', model_name='InternLM-7b', output='your local path')

--------------------

> 作者其他不相干的专栏，也来看看：
> 
>  *  [Prometheus+Grafana 实践派][Prometheus_Grafana]
> 
> > Prometheus来自CNCF的产品，云原生时代监控产品； Grafana是一款开源的指标可视化工具，拥有大量的插件和图表工具来查询，展示您的指标，本专栏从基础知识开始学习，逐渐进阶，最终实现企业级统一监控目标
> 
>  *  [Loki + Tempo][Loki _ Tempo]
> 
> > 一步步学习Grafana家族的轻量型聚合日志框架-Loki，链路追踪框架-Tempo
> 
>  *  [Spring Boot 3.x][]
> 
> > Spring Boot 具有 Spring 一切优秀特性，Spring 能做的事，Spring Boot 都可以做，本专栏将全面介绍Spring Boot特性，继而对其进行全面的源码分析，不再犀牛望月，Spring Boot 版本：3.x
> 
>  *  [Spring Security][]
> 
> > 使用Spring Security版本5.7.2
> 
>  *  [Spring Boot Admin2][]
> 
> > SBA2 源码解析
> 
>  *  [阿提小作][Link 1]
> 
> > 作者平时心血来潮开发的小系统，都在运行玩了一段时间后停了
> 
> 等等，还有其他很多

[b744237cdefd45219f704aea38f33b3f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/83269f84577142249fae16107b93746a.png
[79714931e40a4319916c330443f6a673.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/c20df379e97540dfb84ea00341574fed.png
[074225ff8b604c90a61702554df1542d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/cd82952a64744e7da3f6d9dad96ab496.png
[3641306cdee848ddaa9ac83549859520.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/4fd986fa93914fdea8b9e5e47abf71af.png
[1760aba49d004cde8c4b561a6b2a4596.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/ca4c42406e4046758cd092e73616cc65.png
[9b59380f0bd74d55b312b9ba0370b5b9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/862858e29775415eac43000d5cab2f86.png
[e2cd147f22ce4b04a908594fd339be66.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/d0313c1752ac41feb3cf18761d9424ec.png
[e884b4c01ced4727ba785e81dd391bee.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/bcdfd862fc5649ba8444cafb6285fc00.png
[d77cf52f9cb142518069e8ac7e3dc3d1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/59de56f74adc45a4b48d12f00a4d8ec1.png
[29e96c2d18034bf486c239698379caa3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/4208ebb614b44a079f638aa350e41c38.png
[7b213692da16474e91c4749134fc4960.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/7d1b8ff93f804c5a9e7dd1f7ad239be8.png
[3b3fb49ffd1e4c6d8becde082ff24f7e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/fd0ee5bd9ba54573b8472478bfd9b0dd.png
[8a17e4179ead499f8a3882c3e2308ab9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/e0b4ea89280a47918a96e5328ec725f5.png
[MirrorZ Help]: https://help.mirrors.cernet.edu.cn/
[28a4c6709fb8481688bee8cbd163b099.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/159745cb149d4fc8b4804e590388b107.png
[03a1acdbf70e485e8d76d28ac5ea5533.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/c2f565c33eb746a6a77b2643f9b6542c.png
[4781c02533e74a558224214b0e6adfd1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/c3408a0af2ae4f299b3a9a7bbc686db6.png
[8ad3ad7f84f74ad792b02cb2cddd5adc.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/8b42604798d140fd8f6e0594984191d8.png
[3b5d3a23fb3c4a14b28ee103a0835ae2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/3d77fa3cb4684d6ab2d98980a1a8887c.png
[Prometheus_Grafana]: https://blog.csdn.net/weixin_40972073/category_12137446.html
[Loki _ Tempo]: https://blog.csdn.net/weixin_40972073/category_12529059.html
[Spring Boot 3.x]: https://blog.csdn.net/weixin_40972073/category_12178066.html
[Spring Security]: https://blog.csdn.net/weixin_40972073/category_11954818.html
[Spring Boot Admin2]: https://blog.csdn.net/weixin_40972073/category_12114362.html
[Link 1]: https://blog.csdn.net/weixin_40972073/category_12571010.html