亲身体验Llama 3.1：开源模型的部署与应用之旅

文章目录

- [1 Llama 3.1系列的诞生](#1 Llama 3.1系列的诞生)
- [2 大型模型的未来发展](#2 大型模型的未来发展)
- [3 使用教程](#3 使用教程)
- [4 Llama 3.1在客户服务中的运用](#4 Llama 3.1在客户服务中的运用)

1 Llama 3.1系列的诞生

在人工智能的浪潮中，大型语言模型（LLM）正以其独特的魅力和潜力，成为深度学习领域的一颗耀眼明星。

这些模型不仅在自然语言处理（NLP）领域取得了令人瞩目的成就，还在计算机视觉（CV）、多模态学习和科学计算等多个领域展现出了巨大的应用前景。

开源LLM的兴起，为全球的开发者和研究者提供了一个广阔的舞台，他们可以在这个舞台上自由地探索、实验和创新。

2024年7月23日，Meta公司发布了Llama 3.1系列，这一事件无疑为开源模型领域注入了新的活力。

Llama 3.1 405B模型，以其4050亿的参数量和128K Tokens的上下文长度，成为了Meta公司迄今为止最大规模的训练成果之一。

这一成就的背后，是超过15万亿的Tokens和超过1.6万个H100 GPU的庞大计算资源的支撑。

Llama 3.1在规模和性能上的显著提升，不仅在技术上实现了飞跃，更在多种任务中展现出了前所未有的灵活性和潜力。

2 大型模型的未来发展

作为一名AI工程师，我对这一进展感到无比兴奋。

这些大型模型的出现，不仅推动了技术的进步，也为我们的日常工作带来了新的挑战和机遇。

它们提供了强大的工具，使我们能够构建更加智能和高效的系统，我们也面临着如何优化这些模型以适应特定应用场景的问题，以及如何确保这些模型的可解释性和安全性。

在体验这些大型模型的过程中，我深刻感受到了它们的强大能力。例如，Llama 3.1 405B模型在处理长文本数据时的出色表现，让我对自然语言的理解有了新的认识。

它能够理解和生成连贯、逻辑性强的文本，这在以往的模型中是难以想象的，并且它在多语言支持方面的能力也令人印象深刻，这对于全球化的应用开发来说是一个巨大的优势。

3 使用教程

（1）使用 conda 管理环境，DAMODEL示例已经默认安装了 conda 24.5.0 ，直接创建环境即可：

bash 复制代码

conda create -n llama3 python=3.12

（2）环境创建好后，使用如下命令切换到新创建的环境：

bash 复制代码

conda activate llama3

（3）继续安装部署LLama3.1需要的依赖：

bash 复制代码

pip install langchain==0.1.15
pip install streamlit==1.36.0
pip install transformers==4.44.0
pip install accelerate==0.32.1

（4）安装好后，下载 Llama-3.1-8B 模型，平台已预制Llama-3.1-8B-Instruct模型，执行以下命令即可内网高速下载：

bash 复制代码

wget http://file.s3/damodel-openfile/Llama3/Llama-3.1-8B-Instruct.tar

（5）下载完成后解压缩/Llama-3.1-8B-Instruct.tar

bash 复制代码

tar -xf Llama-3.1-8B-Instruct.tar

（6）模型下载好后，准备加载模型及启动Web服务等工作，新建 llamaBot.py 文件并在其中输入以下内容：

python 复制代码

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
import streamlit as st

# 创建一个标题和一个副标题
st.title("💬 LLaMA3.1 Chatbot")
st.caption("🚀 A streamlit chatbot powered by Self-LLM")

# 定义模型路径
mode_name_or_path = '/root/workspace/Llama-3.1-8B-Instruct'

# 定义一个函数，用于获取模型和tokenizer
@st.cache_resource
def get_model():
    # 从预训练的模型中获取tokenizer
    tokenizer = AutoTokenizer.from_pretrained(mode_name_or_path, trust_remote_code=True)
    tokenizer.pad_token = tokenizer.eos_token
    # 从预训练的模型中获取模型，并设置模型参数
    model = AutoModelForCausalLM.from_pretrained(mode_name_or_path, torch_dtype=torch.bfloat16).cuda()
  
    return tokenizer, model

# 加载LLaMA3的model和tokenizer
tokenizer, model = get_model()

# 如果session_state中没有"messages"，则创建一个包含默认消息的列表
if "messages" not in st.session_state:
    st.session_state["messages"] = []

# 遍历session_state中的所有消息，并显示在聊天界面上
for msg in st.session_state.messages:
    st.chat_message(msg["role"]).write(msg["content"])

# 如果用户在聊天输入框中输入了内容，则执行以下操作
if prompt := st.chat_input():
    
    # 在聊天界面上显示用户的输入
    st.chat_message("user").write(prompt)
    
    # 将用户输入添加到session_state中的messages列表中
    st.session_state.messages.append({"role": "user", "content": prompt})

    # 将对话输入模型，获得返回
    input_ids = tokenizer.apply_chat_template(st.session_state["messages"],tokenize=False,add_generation_prompt=True)
    model_inputs = tokenizer([input_ids], return_tensors="pt").to('cuda')
    generated_ids = model.generate(model_inputs.input_ids,max_new_tokens=512)
    generated_ids = [
        output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
    ]
    response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

    # 将模型的输出添加到session_state中的messages列表中
    st.session_state.messages.append({"role": "assistant", "content": response})
    # 在聊天界面上显示模型的输出
    st.chat_message("assistant").write(response)
    print(st.session_state)

（7）在终端中运行以下命令，启动 streamlit 服务，server.port 可以更换端口：

bash 复制代码

streamlit run llamaBot.py --server.address 0.0.0.0 --server.port 1024

需注意服务地址务必指定位0.0.0.0，否则无法通过浏览器访问

（8）接下来我们需要通过丹摩平台提供的端口映射能力，把内网端口映射到公网；

进入GPU 云实例页面，点击操作-更多-访问控制：

（9）点击添加端口，添加streamlit服务对应端口：

（10）添加成功后，通过访问链接即即可打开LLaMA3.1 Chatbot交互界面，并与其对话：

4 Llama 3.1在客户服务中的运用

在实际应用中，我尝试将Llama 3.1 405B模型集成到一个客户服务机器人中，这个机器人需要处理大量的用户查询，并提供准确的回答。

通过使用Llama 3.1 405B模型，机器人能够更好地理解用户的意图，提供更加个性化的服务。这不仅提高了用户的满意度，也提高了服务的效率。

我还尝试将Llama 3.1 405B模型应用于一个复杂的数据分析项目中，在这个项目中，模型需要从大量的数据中提取有价值的信息，并生成报告。

Llama 3.1 405B模型的上下文理解能力，使得它能够从数据中提取出更深层次的关联和模式，这对于数据分析来说是非常宝贵的。