版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/m0_59235945/article/details/139969700

版权

ChatGLM3 是智谱AI和清华大学 KEG 实验室联合发布的新一代对话预训练模型。ChatGLM3-6B 是 ChatGLM3 系列中的开源模型，具有对话流畅、部署门槛低等众多优秀特性。本文将从零开始，讲解ChatGLM3-6b的部署及使用，全文一共2000多字，篇幅较长，主要包括以下六个部分：

一、下载项目代码和模型文件

二、安装miniconda

三、创建conda环境

四、根据cuda版本来 选择合适的pytorch版本

五、运行chatglm相关的服务

六、FastGPT知识库问答使用 本地 chatglm服务

本文实验的配置：

GPU：英伟达 3090 24G显存

操作系统：centos 7

一、下载项目代码和模型文件

1、代码地址：

https://github.com/THUDM/ChatGLM3

2、下载对应的模型文件

modelscope对应的模型地址：

https://modelscope.cn/models/ZhipuAI/chatglm3-6b/files

可以使用如下的 git命令进行下载：

git lfs install``git clone https://www.modelscope.cn/ZhipuAI/chatglm3-6b.git

文件大小11.64G，根据个人网速不同，本人 大约等待30分钟后，下载完成；

下载完成后，将代码和对应的模型文件传到服务器上，作者是将模型文件放在项目代码的根目录。

二、安装miniconda

-------若已安装miniconda或者conda可以跳过 这节------------

1、安装最新版本的 miniconda

wget http://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh

2、执行安装

bash Miniconda3-latest-Linux-x86_64.sh

输入enter ，一路yes即可

安装完成后，关闭shell窗口，重新打开，就可以看到已经装好了

三、创建conda环境

创建一个conda环境，用于安装大模型运行的依赖包

3.1 首先看到requirements.txt，可以看到官网推荐的torch版本>=2.0，但是当torch==1.13.1时也可以运行，看你们自己的选择。

3.2 选择合适的python的版本

python与pytorch版本的对应关系如下：

https://github.com/pytorch/vision#installation

3.3 选择的 python版本大于3.8，使用如下命令进行创建conda环境。

conda create --name py3811 python==3.8.11

3.4 激活创建好的conda环境：

conda activate py3811

四、根据显卡cuda的版本来 选择合适的pytorch版本

4.1、查看 显卡信息

nvidia-smi

ps:如何安装cuda及cudnn，可自行百度安装，本文不再讲述。

从官网选择合适的pytorch版本：

地址：https://pytorch.org/get-started/previous-versions/

因为作者的显卡cuda版本为11.6，所以选择 torch==1.13.1的版本；

4.2 cuda为11.6 的pytorch安装命令

conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.6 -c pytorch -c nvidia

如果你的显卡cuda版本为11.7或者11.8，你可以选择torch>=2.0的版本

4.3 cuda为11.7或者11.8的pytorch安装命令

# CUDA 11.7``conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.7 -c pytorch -c nvidia``# CUDA 11.8``conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.8 -c pytorch -c nvidia

4.4 本文采用cuda为11.6 的pytorch安装命令

4.5 进入代码目录，安装依赖包

作者的torch版本为1.13.1，所以删除掉 requirements.txt 中的红框部分，如果你的torch大于2.0 ，则不需要删除这一行。

4.6 执行如下命令，批量安装依赖包

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

安装完成！

五、运行chatglm相关的服务

5.1、交互式对话程序：cli_demo.py

（1）修改模型文件加载的路径

模型文件放在代码的根目录。

本文将模型文件放在代码的同级目录，所以修改下cli_demo.py 中 模型文件存放的位置，填入 模型文件所在的 相对路径或者绝对路径。

#原始路径``tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm3-6b", trust_remote_code=True)``model = AutoModel.from_pretrained("THUDM/chatglm3-6b", trust_remote_code=True).cuda()``#改为下面的路径``tokenizer = AutoTokenizer.from_pretrained("chatglm3-6b", trust_remote_code=True)``model = AutoModel.from_pretrained("chatglm3-6b", trust_remote_code=True).cuda()

（2）运行 简单交互对话的程序：

python cli_demo.py

启动服务后， 显存 大概占用了 12G左右。

5.1、启动openai的接口服务：openai_api.py

（1）同样需要 修改模型路径

（2）修改代码

将openai_api.py文件中3处

chunk.json(exclude_unset=True, ensure_ascii=False)

替换为

chunk.model_dump_json(exclude_unset=True,exclude_none=True)

改为 如下图红框位置 所示：

（3）启动服务

python openai_api.py

（4） 利用requests请求调用chatglm的接口服务：

openai_url=“http://ip:8000/v1/chat/completions”

ip:chatglm部署的ip

完整代码如下：

#!/usr/bin/env python``# -*- coding: UTF-8 -*-``"""``@Project ：chatgpt``@File ：openai_function.py``@Author ：aixiaoxin``@Date ：2023/10/27 17:28``"""``import requests``  ``def request_chatgpt_function():`  `# 通用方法：利用requests 请求调用`  `question = "你是谁？"`  `openai_url="http://ip:8000/v1/chat/completions" # 可以替换为任何代理的接口，官网地址 https://api.openai.com/v1/chat/completions` `OPENAI_API_KEY="sk-amd6pTaiXrJ6U8VjFb7dB439A97542D5A2E4Ed38C1BaC9D2" # openai的key，此处不需要填写` `header={"Content-Type": "application/json","Authorization": "Bearer " +OPENAI_API_KEY}` `data={` `"model": "gpt-3.5-turbo",` `"messages": [` `{` `"role": "system",` `"content": "You are a helpful assistant."` `},` `{` `"role": "user",` `"content": question` `}` `],` `"stream":False` `}` `print("问题:{}".format(question))` `response=requests.post(url=openai_url,headers=header,json=data).json()` `print("完整的响应结果:{}".format(response))` `answer = response["choices"][0]["message"]["content"]` `print("答案:{}".format(answer))`` `` `` ``if __name__ == "__main__":` `request_chatgpt_function() # 通用方法：利用requests 请求调用

运行结果：

（5）利用openai接口流式调用chatglm的服务：

openai.api_base = “http://ip:8000/v1”

ip:填入chatglm部署的服务器的ip

完整代码如下：

#!/usr/bin/env python``# -*- coding: UTF-8 -*-``"""``@Project ：chatgpt_project``@File ：chatglm_request.py``@Author ：aixiaoxin``@Date ：2023/10/29 14:32``"""``import openai``if __name__ == "__main__":`  `openai.api_base = "http://ip:8000/v1"`  `openai.api_key = "none"`  `for chunk in openai.ChatCompletion.create(`    `model="chatglm3-6b",`    `messages=[`      `{ "role": "user", "content": "你好"}`    `],`    `stream=True`  `):`    `if hasattr(chunk.choices[0].delta, "content"):`      `print(chunk.choices[0].delta.content, end="", flush=True)

运行截图：

六、FastGPT知识库问答使用 本地 chatglm服务

先运行上一节中的接口服务：python openai_api.py

找到fastgpt项目中的

files\deploy\fastgpt\docker-compose.yml 文件

将OPEN_BASE_URL 改为如下地址：

http://ip:8000/v1

ip：表示大模型部署服务器的ip