# InternLM3-8B-instruct FastAPI部署 InternLM3 开源了一个具有 80 亿参数的指令模型，名为 **InternLM3-8B-Instruct**，旨在用于通用任务和高级推理。该模型具有以下特点： - **在降低成本的同时提升性能**：在推理和知识密集型任务中，表现超越了像 Llama3.1-8B 和 Qwen2.5-7B 等模型。值得注意的是，InternLM3 仅在 4 万亿高质量标记上进行训练，比其他同规模的语言模型节省了超过 75% 的训练成本。 - **深度思考能力**：InternLM3 支持两种模式：一种是通过长链思维解决复杂推理任务的深度思考模式，另一种是用于流畅用户交互的正常响应模式。 ## 环境配置 实验所依赖的基础开发环境如下： ``` ---------------- ubuntu 22.04 Python 3.12.3 cuda 12.1 pytorch 2.3.0 ---------------- ``` > 本文默认学习者已安装好以上 Pytorch(cuda) 环境，如未安装请自行安装。 首先 `pip` 换源加速下载并安装依赖包： ```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 # FastAPI 相关依赖 pip install requests==2.32.3 pip install fastapi==0.104.1 pip install uvicorn==0.24.0 # Langchain 相关依赖 pip install langchain==0.3.7 # WebDemo 相关依赖 pip install streamlit==1.41.1 # LoRA微调 相关依赖 pip install peft==0.11.1 # 用于 LoRA 微调 # 通用依赖 pip install modelscope==1.22.0 # 用于模型下载和管理 pip install transformers==4.47.1 # Hugging Face 的模型库，用于加载和训练模型 pip install sentencepiece==0.2.0 # 用于处理文本数据 pip install accelerate==0.34.2 # 用于分布式训练和混合精度训练 pip install datasets==2.20.0 # 用于加载和处理数据集 ``` > 考虑到部分同学配置环境可能会遇到一些问题，我们在 AutoDL 平台准备了 InternLM3-8b-Instruct 的环境镜像，点击下方链接并直接创建 AutoDL 示例即可。 > ***https://www.codewithgpu.com/i/datawhalechina/self-llm/self-llm-internlm3*** ## 模型下载 `modelscope` 是一个模型管理和下载工具，支持从魔搭 (Modelscope) 等平台快速下载模型。 这里使用 `modelscope` 中的 `snapshot_download` 函数下载模型，第一个参数 `model_name_or_path` 为模型名称或者本地路径，第二个参数 `cache_dir` 为模型的下载路径，第三个参数 `revision` 为模型的版本号。 在 `/root/autodl-tmp` 路径下新建 `model_download.py` 文件并在其中粘贴以下代码，并保存文件。 ```python from modelscope import snapshot_download model_dir = snapshot_download('Shanghai_AI_Laboratory/internlm3-8b-instruct', cache_dir='./', revision='master') ``` > 注意：记得修改 cache_dir 为你的模型下载路径哦~ 在终端运行 `python /root/autodl-tmp/model_download.py` 执行下载，模型大小为 18GB 左右，下载模型大概需要5-30分钟。 ## 代码准备 新建 `api.py` 文件并在其中输入以下内容，粘贴代码后请及时保存文件。记得将tokenizer和model的路径改成上面模型下载的cache_dir的路径。以下代码有很详细的注释，大家如有不理解的地方，欢迎提出 issue 。 ```python 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( title="InternLM Chat API", description="API for InternLM 3 chat model", version="1.0.0" ) # 添加GET方法的根路由 @app.get("/") async def root(): return { "message": "Welcome to InternLM Chat API", "status": "healthy", "timestamp": datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S") } # 处理POST请求的端点 @app.post("/v1/chat") async def create_chat(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') # 获取用户的问题 # 构建对话模板 messages = [ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": prompt}, ] tokenized_chat = tokenizer.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_tensors="pt").to("cuda") generated_ids = model.generate(tokenized_chat, max_new_tokens=1024, temperature=1, repetition_penalty=1.005, top_k=40, top_p=0.8) generated_ids = [ output_ids[len(input_ids):] for input_ids, output_ids in zip(tokenized_chat, generated_ids) ] response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0] 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": response, "status": 200, "time": time } # 构建日志信息 log = "[" + time + "] " + '", prompt:"' + prompt + '", response:"' + repr(response) + '"' 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__': # 加载预训练的分词器和模型 model_path = '/root/autodl-tmp/Shanghai_AI_Laboratory/internlm3-8b-instruct' tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.float16, trust_remote_code=True).cuda() model = model.eval() # 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 ``` 然后在当前文件的路径下面运行: ```python python api.py ``` 出现下面的信息就说明成功运行了。 ![01-1.png](images/01-1.png) ## 调用API 默认部署在 6006 端口，通过 POST 方法进行调用。可以使用命令行curl和代码的方式来调用。 命令行: ```shell curl -X POST "http://localhost:6006/v1/chat" \ -H 'Content-Type: application/json' \ -d '{"prompt": "你好"}' ``` 或者使用实际IP地址： ```shell curl -X POST "http://:6006/v1/chat" \ -H 'Content-Type: application/json' \ -d '{"prompt": "你好"}' ``` 返回结果: ![01-2.png](images/01-2.png) 使用 python 中的 requests 库进行调用，创建 `request.py` 文件，复制下面的代码，运行 `python request.py` 。 ```python 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/v1/chat', headers=headers, data=json.dumps(data)) return response.json()['response'] if __name__ == '__main__': print(get_completion('你好')) ``` 返回结果: ![01-3.png](images/01-3.png) 同时, 这是我们部署的FastAPI的Terminal页面, 还可以看到如下信息 ![01-4.png](images/01-4.png) 这里简要对上述控制台信息进行解释: ``` INFO: ... "GET /_stcore/health HTTP/1.1" 404 Not Found INFO: ... "GET /_stcore/host-config HTTP/1.1" 404 Not Found ``` - 这些是来自 Streamlit 的健康检查请求，返回 404 是正常的，因为我们的 FastAPI 服务器没有实现这些端点 - 这表明可能有 Streamlit 应用试图连接到这个端口，但这不影响我们的 API 功能 ``` INFO: ... "POST / HTTP/1.1" 405 Method Not Allowed ``` - 这是失败的API调用记录 - 显示了请求时间、用户输入和模型响应 - 405 Method Not Allowed 表示请求方法不允许 - 有请求试图向根路径 ("/") 发送 POST 请求 - 返回 405 是因为我们只在根路径定义了 GET 方法，而不是 POST ``` [2025-01-19 12:40:08] ", prompt:"你好", response:"'你好！很高兴见到你。有什么我可以帮助你的吗？'" INFO: ... "POST /v1/chat HTTP/1.1" 200 OK ``` - 这是成功的API调用记录 - 显示了请求时间、用户输入和模型响应 - 200 OK 表示请求成功处理