当前位置：首页 > wzjs >正文

网站信息系统建设军事新闻app哪个好

wzjs 2025/8/29 14:12:15

网站信息系统建设,军事新闻app哪个好,手机网页翻译,规划建网站步骤一、基础知识 1.1导入库 torch 是一个深度学习框架，用于处理张量和神经网络。modelscope是由阿里巴巴达摩院推出的开源模型库。 AutoTokenizer 是ModelScope 库的类，分词器应用场景包括自然语言处理（NLP）中的文本分类、信息抽取…

一、基础知识

1.1导入库

torch 是一个深度学习框架，用于处理张量和神经网络。
modelscope是由阿里巴巴达摩院推出的开源模型库。
- AutoTokenizer 是ModelScope 库的类，分词器应用场景包括自然语言处理（NLP）中的文本分类、信息抽取、问答、摘要、翻译和文本生成等任务。它通过提供一个统一的接口，使得开发者可以快速且方便地加载和使用不同的预训练模型，而不需要深入了解每个模型的细节‌；
- AutoModel 是ModelScope 库的类，允许用户在不知道具体模型细节的情况下，根据给定的模型名称或模型类型自动加载相应的预训练模型。
- snapshotdownload 是 ModelScope 提供的一个函数，便于下载模型文件。

1.2下载模型

   model_dir=snapshot_download("ZhipuAI/chatglm3-6b",revision"v1.0.0")

model_dir是模型下载后的存储路径。使用snapshot_download 函数下载指定版本的模型。有两种方式，

第一种方式，使用本地的模型路径

  model_dir=snapshot_download("本地路径/chatglm3-6b",revision"v1.0.0")

第二种方式，默认从modelscope下载 ZhipuAI/chatglm3-6b 的 v1.0.0 版本，见示例代码。这种方式需要在终端使用pip install modelscope来安装。snapshot_download 函数中的模型名称和版本可以通过搜索魔搭社区来查找。

魔搭社区汇聚各领域最先进的机器学习模型，提供模型探索体验、推理、训练、部署和应用的一站式服务。https://www.modelscope.cn/models

1.3加载分词器

tokenizer=AutoTokenizer.from_pretrained(model_dir,trust_remote_code=True)

使用 AutoTokenizer.frompretrained 方法加载预训练的分词器。其中，trustremotecode=True 表示信任远程代码。

1.4加载模型

with torch.no_grad():model=AutoModel.from_pretrained(model_dir,trust_remote_code=True).cpu().float()

1.4.1with torch.nograd()

with torch.nograd():表示在这个上下文中不计算梯度，以节省内存和计算资源。

Python中的with语句是一种用于简化资源管理的语法结构，通过上下文管理器协议（实现__enter__和__exit__方法）自动确保资源的获取和释放，常用于文件操作、数据库连接、线程锁等场景‌。

with 上下文管理器 as 变量:# 执行代码块

1.4.2AutoModel.frompretrained方法

AutoModel.frompretrained方法加载预训练的模型。其中，

.trustremotecode=True表示信任远程代码。
.cpu() 将模型移动到 CPU 上。
.float() 将模型的参数转换为浮点数类型。

针对当前模型，若使用GPU，可以将.cpu() 替换为.cuda()。此时，.float()是首选，float32提供较高的精度；.half()是float16，与float相比，内存减半。还可以通过.quantize()来选择模型量化方式：

.quantize(8)是INT8量化，表示将模型的权重和激活值量化为8位整数
.quantize(4)是INT4量化，表示将模型的权重和激活值量化为4位整数，但不是所有的硬件都支持INT4量化。（示例如下）

with torch.no_grad():model=AutoModel.from_pretrained(model_dir,trust_remote_code=True).quantize(8).cuda()

1.5设置模型为评估模式

model=model.eval()

model.eval() 将模型设置为评估模式，不启用 Batch Normalization 和 Dropout ，确保模型在测试和推理阶段的行为与训练阶段有所不同，从而提高结果的稳定性和准确性。。Batch Normalization 在训练过程中会对每一特征维做归一化操作，对每一批量输入算出 mean 和 std，而在 eval 模式下 BN 层将能够使用全部训练数据的均值和方差，即测试过程中不再针对测试样本计算mean和std，而是直接用训练好的值。

1.6第一次交互

responses,history=model.chat(tokenizer,"你好",history=[])
print(responses)

使用 model.chat() 方法与模型进行交互，输入是 “你好”，初始历史记录为空列表 []。
print(responses) 打印模型的回复。其中，responses 是模型的回复，history 是更新后的历史记录。

1.7第二次交互

responses,history=model.chat(tokenizer,"快乐学习大模型开发的方法",history=history)
print(responses)

使用 model.chat() 方法与模型进行交互，输入是 “快乐学习大模型开发的方法”，历史记录是上一次交互的历史记录。
print(responses) 打印模型的回复。

二、大模型问答交互【CPU版】

2.1代码

import torch
from modelscope import AutoTokenizer,AutoModel,snapshot_download#终端运行pip install modelscope
#模型下载的默认路径为C:\Users\Administrator\.cache\modelscope\hub\models\
model_dir=snapshot_download("ZhipuAI/chatglm3-6b",revision="v1.0.0")
tokenizer=AutoTokenizer.from_pretrained(model_dir,trust_remote_code=True)with torch.no_grad():model=AutoModel.from_pretrained(model_dir,trust_remote_code=True).cpu().float()model=model.eval()
responses,history=model.chat(tokenizer,"你好",history=[])
print(responses)
responses,history=model.chat(tokenizer,"快乐学习大模型开发的方法",history=history)
print(responses)

2.2运行结果

2.3问题与解决

问题一：'torchvision' has no attribute 'extension'

解决一：重新安装torchvision

pip uninstall torchvision
pip install torchvision

问题二：TypeError: ChatGLMTokenizer._pad() got an unexpected keyword argument 'padding_side'

解决二：transformers版本问题，安装4.41.2版本

pip install transformers==4.41.2

三、大模型问答交互【GPU版】

3.1代码

import torch
from modelscope import AutoTokenizer,AutoModel,snapshot_download#终端运行pip install modelscope
#模型下载的默认路径为C:\Users\Administrator\.cache\modelscope\hub\models\
model_dir=snapshot_download("ZhipuAI/chatglm3-6b",revision="v1.0.0")
tokenizer=AutoTokenizer.from_pretrained(model_dir,trust_remote_code=True)with torch.no_grad():model=AutoModel.from_pretrained(model_dir,trust_remote_code=True).quantize(8).cuda()model=model.eval()
responses,history=model.chat(tokenizer,"你好",history=[])
print(responses)
responses,history=model.chat(tokenizer,"快乐学习大模型开发的方法",history=history)
print(responses)