实战千问2大模型第一天——Qwen2-7B（知识问答）的部署和fastapi封装
一、千问2大模型简介
Qwen2-7B是由阿里云通义千问团队开发的一系列大型语言模型中的一个。这个模型是基于Transformer架构的，包含自注意力和因果掩码机制，专注于处理和生成自然语言文本。Qwen2-7B是在超大规模的预训练数据上训练得到的，这些数据不仅包括中英文，还包含其他25种语言的高质量数据。
这个模型不仅在语言理解和生成方面表现出色，还在编程、数学解题等多个领域显示了其先进的性能。Qwen2-7B使用了分组查询注意力（Grouped Query Attention，GQA）来优化推理期间的键值（KV）缓存使用，提高了处理效率。
Qwen2-7B的意义在于其开源属性，使得研究者和开发者可以自由使用这个高性能模型，推动了自然语言处理技术的发展和应用。它的开放访问性允许广泛的研究和商业应用，从而在全球范围内促进了人工智能技术的创新和进步。
二、环境安装
conda create -n qwenycc python==3.9conda activate qwenyccpip install fastapi==0.104.1 uvicorn==0.24.0.post1 requests==2.25.1 modelscope==1.11.0 transformers==4.41.0 streamlit==1.24.0 sentencepiece==0.1.99 accelerate==0.24.1 transformers_stream_generator==0.0.4三、模型下载
模型下载脚本：
import torch
from modelscope import snapshot_download# snapshot_download函数用于下载模型
model_dir = snapshot_download('qwen/Qwen2-7B-Instruct', # 模型名称cache_dir='/home/py/ycc/Qwen/', # 缓存目录revision='master' # 版本号
四、fastapi封装
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CUDAwith 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()# 处理POST请求的端点
@app.post("/")
async def create_item(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') # 获取请求中的提示messages = [{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": prompt}]# 调用模型进行对话生成input_ids = tokenizer.apply_chat_template(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]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JSONanswer = {"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_name_or_path = '/home/py/ycc/Qwen/qwen/Qwen2-7B-Instruct'tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, use_fast=False)model = AutoModelForCausalLM.from_pretrained(model_name_or_path, device_map="auto", torch_dtype=torch.bfloat16)# 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apiuvicorn.run(app, host='0.0.0.0', port=6006, workers=1) # 在指定端口和主机上启动应用
1.postman访问
2. python的requests库调用API
import requests
import jsondef get_completion(prompt):headers = {'Content-Type': 'application/json'}data = {"prompt": prompt}response = requests.post(url='http://192.168.110.13:6006', headers=headers, data=json.dumps(data))return response.json()['response']response=get_completion('你好')
print(response)
