部署通义千问-7B大模型_云服务器 ECS(ECS)-阿里云帮助中心

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Qwen-7B模型。

背景信息

通义千问-7B（Qwen-7B）是阿里云研发的通义千问大模型系列的70亿参数规模模型。Qwen-7B是基于Transformer的大语言模型，在超大规模的预训练数据上进行训练得到。预训练数据类型多样，覆盖广泛，包括大量网络文本、专业书籍、代码等。同时，在Qwen-7B 的基础上，使用对齐机制打造了基于大语言模型的AI助手Qwen-7B-Chat。

重要

Qwen-7B-Chat的代码依照LICENSE开源，免费商用需填写商业授权申请。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。

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：Qwen-7B-Chat大概需要30 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：Qwen-7B-Chat的运行需要下载多个模型文件，会占用大量存储空间，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22、443、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Qwen-7B-Chat

手动部署

步骤一：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Qwen-7B-Chat所必需的软件。

sudo yum install -y tmux git git-lfs wget curl gcc gcc-c++ autoconf tar zip 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
```

步骤二：下载源码与模型

创建一个tmux session。
```
tmux
```
说明
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Qwen-7B项目源码，以及预训练模型。

git clone https://github.com/QwenLM/Qwen-7B.git
git clone https://www.modelscope.cn/qwen/Qwen-7B-Chat.git qwen-7b-chat

查看当前目录。
```
ls -l 
```
下载完成后，当前目录显示如下。

步骤三：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 torch==1.13.1+cpu --extra-index-url https://download.pytorch.org/whl/cpu
pip install -r ~/Qwen-7B/requirements.txt
pip install streamlit gradio mdtex2html

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-4-1/pytorch/PT_v1.13_ZenDNN_v4.1_Python_v3.8.zip
unzip PT_v1.13_ZenDNN_v4.1_Python_v3.8.zip
cd PT_v1.13_ZenDNN_v4.1_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

步骤四：进行AI对话

执行如下命令，开启WebUI服务。

cd ~/Qwen-7B
python web_demo.py -c ../qwen-7b-chat --cpu-only --server-name 0.0.0.0 --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Input对话框中，输入对话内容，单击Submit（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Qwen-7B-Chat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/20231207/puju/deploy_qwen-7b-chat.sh

为自动化部署脚本添加执行权限。
```
chmod +x deploy_qwen-7b-chat.sh
```
运行自动化部署脚本。
```
./deploy_qwen-7b-chat.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Input对话框中，输入对话内容，单击Submit（发送），即可开始AI对话。