本文以搭建AI对话机器人为例，介绍如何使用阿里云AMD CPU云服务器（g8a）部署ChatGLM-6B语言模型。
背景信息
ChatGLM-6B模型基于General Language Model（GLM）架构，具有62亿参数，支持中英文，并针对中文问答和对话进行了优化，可以生成符合人类偏好的回答。广泛应用于自我认知、提纲写作、文案写作、邮件助手、信息抽取、角色扮演、评论比较以及旅游向导等场景。
阿里云不对第三方模型“ChatGLM-6B”的合法性、安全性、准确性进行任何保证，阿里云不对由此引发的任何损害承担责任。
ChatGLM-6B的代码依照Apache-2.0协议开源，ChatGLM-6B模型权重的使用遵循Model License。您应自觉遵守第三方模型的用户协议、使用规范和相关法律法规，并就使用第三方模型的合法性、合规性自行承担相关责任。
ChatGLM-6B模型权重对学术研究完全开放，免费商用请需填写商业授权申请。本文所示的模型下载仅作为演示，阿里云不对由此引发的任何损害承担责任。
创建ECS实例
前往实例创建页。
按照界面提示完成参数配置，创建一台ECS实例。
需要注意的参数如下，其他参数的配置，请参见自定义购买实例。
实例：ChatGLM-6B大概需要32 GiB内存，为了保证模型运行的稳定，实例规格至少需要选择ecs.g8a.4xlarge（64 GiB内存）。
镜像：Alibaba Cloud Linux 3.2104 LTS 64位。
公网IP：选中分配公网IPv4地址，带宽计费模式选择按使用流量，带宽峰值设置为100 Mbps。以加快模型下载速度。
数据盘：ChatGLM-6B模型需要占用26 GiB的存储空间，为了保证模型顺利运行，建议数据盘设置为100 GiB。
添加安全组规则。
在ECS实例安全组的入方向添加安全组规则并放行7860端口（用于访问WebUI服务）。具体操作，请参见添加安全组规则。
创建完成后，在ECS实例页面，获取公网IP地址。
说明公网IP地址用于进行AI对话时访问WebUI服务。
部署ChatGLM-6B
手动部署
安装配置模型所需软件
远程连接该ECS实例。
具体操作，请参见通过密码或密钥认证登录Linux实例，
安装部署ChatGLM-6B所必需的软件。
sudo yum install tmux git git-lfs wget curl gcc gcc-c++ tar unzip hwloc python38安装Python 3.8。
系统自带的Python版本为3.6，不满足部署ChatGLM-6B的最低版本要求，因此需要安装Python 3.8。
sudo update-alternatives --config python运行过程中，请输入4，安装Python 3.8。
更新Python对应的pip版本。
sudo python -m ensurepip --upgrade sudo python -m pip install --upgrade pip启用Git LFS。
下载预训练模型需要Git LFS的支持。
git lfs install
下载源码与模型
创建一个tmux session。
tmux重要下载预训练模型耗时较长，且成功率受网络情况影响较大，建议在tmux session中下载，以免ECS断开连接导致下载模型中断。
下载ChatGLM-6B项目源码，以及chatglm-6b预训练模型。
git clone https://github.com/THUDM/ChatGLM-6B.git git clone https://huggingface.co/THUDM/chatglm-6b说明如果chatglm-6b模型下载失败，可以执行如下命令，从ModelScope中下载预训练模型。
git clone https://www.modelscope.cn/ZhipuAI/ChatGLM-6B.git chatglm-6b git -C chatglm-6b checkout v1.0.16 sed -i '33c from .configuration_chatglm import ChatGLMConfig' chatglm-6b/modeling_chatglm.py查看当前目录。
ls -l下载完成后，当前目录显示如下。
部署运行环境
更换pip下载源。
在安装依赖包之前，建议您更换pip下载源以加速安装。
创建pip文件夹。
mkdir -p ~/.config/pip配置pip安装镜像源。
cat > ~/.config/pip/pip.conf <<EOF [global] index-url=http://mirrors.cloud.aliyuncs.com/pypi/simple/ [install] trusted-host=mirrors.cloud.aliyuncs.com EOF
安装ZenDNN所需依赖。
后续安装的ZenDNN要求使用CPU版本的PyTorch，因此需要手动安装所需依赖。
pip install protobuf transformers==4.27.1 cpm_kernels gradio mdtex2html sentencepiece accelerate streamlit streamlit-chat pip install torch==1.12.0+cpu torchvision==0.13.0+cpu --extra-index-url https://download.pytorch.org/whl/cpu下载并安装ZenDNN。
ZenDNN运行库包括为AMD CPU架构优化的基本神经网络构建块的API，使深度学习应用程序和框架开发人员能够提高AMD CPU上的深度学习推理性能。
wget https://download.amd.com/developer/eula/zendnn/zendnn-4-0/pytorch-end-user-license/PT_v1.12_ZenDNN_v4.0_Python_v3.8.zip unzip PT_v1.12_ZenDNN_v4.0_Python_v3.8.zip cd PT_v1.12_ZenDNN_v4.0_Python_v3.8/ source scripts/PT_ZenDNN_setup_release.sh当系统返回如下所示时，表示ZenDNN已安装完成。
设置环境变量
OMP_NUM_THREADS和GOMP_CPU_AFFINITY。ZenDNN运行库需要针对硬件平台显式设置环境变量
OMP_NUM_THREADS和GOMP_CPU_AFFINITY。sudo bash -c 'cat > /etc/profile.d/env.sh' << EOF export OMP_NUM_THREADS=\$(nproc --all) export GOMP_CPU_AFFINITY=0-\$(( \$(nproc --all) - 1 )) EOF source /etc/profile
进行AI对话
执行如下命令，开启WebUI服务。
cd ChatGLM-6B sed -i 's?THUDM/chatglm-6b?../chatglm-6b?g' web_demo2.py sed -i 's/.half().cuda()/.float()/g' web_demo2.py streamlit run web_demo2.py --server.port 7860当出现如下信息时，表示WebUI服务启动成功。
在浏览器地址栏输入
http://<ECS公网IP地址>:7860，进入Web页面。在用户命令输入对话框中，输入对话内容，单击发送，即可开始AI对话。
自动化部署
阿里云提供了自动部署脚本，可以一键部署运行ChatGLM-6B模型。
以root用户登录该ECS实例。
具体操作，请参见通过密码或密钥认证登录Linux实例。
下载tmux并创建一个tmux session。
yum install -y tmux tmux说明该脚本运行中会下载模型文件，耗时较长，建议在tmux session中启动部署，以免ECS断开连接导致部署中断。
下载自动部署脚本。
wget https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20230920/afjx/deploy_chatglm-6b.sh为自动化部署脚本添加执行权限。
chmod +x deploy_chatglm-6b.sh运行自动化部署脚本。
./deploy_chatglm-6b.sh当显示结果如下所示时，说明自动部署脚本已完成。
说明该脚本运行时间较长，在tmux session中进行部署的过程中，如果断开了ECS连接，重新登录ECS实例后执行
tmux attach命令即可恢复tmux session，查看脚本运行进度。在浏览器地址栏输入
http://<ECS公网IP地址>:7860，进入Web页面。在用户命令输入对话框中，输入对话内容，单击发送，即可开始AI对话。