通过深度学习入门到放弃系列 - 魔搭社区完成开源大模型部署调用 ，大概掌握了开源模型的部署调用，但是魔搭社区有一个弊端，关闭实例后数据基本上就丢了，本地的电脑无法满足大模型的配置，就需要去租用一些高性价比的GPU机器长期运行，起码数据和环境能长期存在。以我在阿里云人工智能平台 PAI部署和大家分享一下经验，其他平台自行尝试、选择。

免费算力平台

阿里云人工智能平台 PAI阿里天池实验室Kaggle平台Colab（需要梯子）

付费算力平台

AutoDLGpushare CloudFeaturizeAnyGPU

阿里云人工智能平台 PAI试用申请流程

我选择的是阿里云人工智能平台 PAI平台的免费算力平台，免费使用三个月，截止目前还很好抢，每天500份传送门。同时，也推荐一些其他的算力平台给大家自行选择。

建议选交互式建模PAI-DSW

立即试用！

创建规格的时候千万注意选择GPU-支持资源包抵扣的这种。

创建实例！

启动实例！

打开后界面和魔搭社区就比较类似了，有命令行、Notebook等。

环境搭建

新建账号：进来就已经是root账户了，需要创建一个用户。

<code># 添加一个新用户（如用户名为csdn）遇到执行

adduser csdn

# 将用户添加到 sudo 组

adduser csdn sudo

进来以后发现ll、source等命令都不能用，需要先把dash改成bash命令，参考source: not found问题处理。解决完重新打开命令行以后就是我现在的界面。

更换国内软件源

<code>cd /ect/apt

# 备份sources.list，以免出问题

sudo cp sources.list sources.list.backup

vim sources.list

# 复制到sources.list文件末尾

deb https://mirrors.ustc.edu.cn/ubuntu/ focal main restricted universe multiverse

deb https://mirrors.ustc.edu.cn/ubuntu/ focal-updates main restricted universe multiverse

deb https://mirrors.ustc.edu.cn/ubuntu/ focal-backports main restricted universe multiverse

deb https://mirrors.ustc.edu.cn/ubuntu/ focal-security main restricted universe multiverse

安装vim编辑器、git

# 使用vi可跳过

sudo apt-get install vim

sudo apt-get install git

系统软件更新

# 更新软件包列表

sudo apt update

# 执行更新命令

sudo apt upgrade

安装anaconda

# 下载安装包

wget https://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh

# 执行安装命令

bash Anaconda3-2023.09.0-Linux-x86_64.sh

直到出现 yes no 选项，选择yes，再然后遇到路径/root/anaconda3,然后按“Enter”键使用Anaconda的默认安装位置/root/anaconda3下，然后等待安装结束。

配置环境变量

# 印象中不创建账号好像就没有bashrc的文件

vim ~/.bashrc

# 末尾添加anaconda3所在路径，和第六步路径一致

export PATH=/root/anaconda3/bin:$PATH

# 修改终端的默认 python 为 anaconda，否则会报错找不到命令activate

source /root/anaconda3/bin/activate

# 使环境变量的修改立即生效

source ~/.bashrc

安装之前需要配置一下conda，都说用国内镜像源，我试了没用

# 我用的这种方法

conda install -n base conda-libmamba-solver

# 设置全局使用libmamba

conda config --set solver libmamba

conda创建虚拟环境

conda create --n chatglm3_test python=3.11

conda activate chatglm3_test

# 如果中间报错找不到activate命令，使用下面的命令试试

source /root/anaconda3/etc/profile.d/conda.sh

安装pytorch等依赖

nvidia-msi查看目前的cuda版本来选择对应的pytorch

<code># CUDA 11.8 根据我自己的版本我选择第一个就好了

conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=11.8 -c pytorch -c nvidia

# CUDA 12.1

conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=12.1 -c pytorch -c nvidia

# CPU Only

conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 cpuonly -c pytorch

验证GPU版本的PyTorch

import torch

print(torch.cuda.is_available())

如下图说明安装成功。

下载ChatGLM3项目文件

git下载ChatGLM3项目文件时可能会出现Permission denied，参考解决办法 git报错Permission denied的解决方法

<code># 创建文件夹

mkdir /opt/chatglm3

# 切换到新建的目录下

cd /opt/chatglm3

# 下载ChatGLM3

git clone git@github.com:THUDM/ChatGLM3.git

# 升级pip版本

python -m pip install --upgrade pip

安装ChatGLM运行的项目依赖

cd /opt/chatglm3/ChatGLM3

# 安装依赖

pip install -r requirements.txt

安装模型权重文件

Git Large File Storage（Git LFS）是一种用于处理大文件的工具，在 Hugging Face等平台下载大模型时，通常需要安装 Git LFS，主要的原因是：Git 本身并不擅长处理大型文件，因为在 Git 中，每次我们提交一个文件，它的完整内容都会被保存在 Git 仓库的历史记录中。但对于非常大的文件，这种方式会导致仓库变得庞大而且低效。而 Git LFS， 就不会直接将它们的内容存储在仓库中。相反，它存储了一个轻量级的“指针”文件，它本身非常小，它包含了关于大型文件的信息（如其在服务器上的位置），但不包含文件的实际内容。当我们需要访问或下载这个大型文件时，Git LFS 会根据这个指针去下载真正的文件内容

实际的大文件存储在一个单独的服务器上，而不是在 Git 仓库的历史记录中。所以如果不安装 Git LFS 而直接从 Hugging Face 或其他支持 LFS 的仓库下载大型文件，通常只会下载到一个包含指向实际文件的指针的小文件，而不是文件本身。

# 安装git-lfs

sudo apt-get install git-lfs

# 初始化

git lfs install

# 魔搭平台下载模型权重文件，Hugging Face太慢了

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

目录结构如下图所示，chatglm3-6b目录为模型权重文件

运行ChatGLM3-6B模型

方式一：在basic_demo目录下运行cli_demo.py文件，运行前需要改一下模型权重文件的路径，我们提前下载，改成本地的路径，否则会重新下载模型文件。建议sudo python cli_demo.py运行。

到这里意味着部署成功了！

方式二：basic_demo目录下启动web_demo_gradio.py文件，启动前修改6b模型的路径，建议sudo python web_demo_gradio.py运行。

自带的gradio页面进行问答交互。

遇到的问题

问题一：Ubuntu下shell执行source命令报source: not found问题处理

问题二：conda: error: argument COMMAND: invalid choice: ‘activate‘

问题三：git报错Permission denied

问题四：conda下载文件慢