一、大模型

T5\BERT\GPT → Transformer的儿子→自注意力机制+神经网络

大模型， Large Model，是指参数规模庞大、训练数据量巨大、具有强泛化能力的人工智能模型，典型代表如GPT、BERT、PaLM等。它们通常基于深度神经网络，特别是Transformer架构，在自然语言处理、图像识别、代码生成等任务中表现出色。

1、基本概念

大模型是指在超大规模数据集上训练、拥有数十亿到千亿以上参数的人工智能模型，具备多任务、多模态能力，并能通过少量样本甚至零样本完成新任务。

2、主要特征

大模型具备以下特征：

- 参数规模大
  数亿至数千亿参数，容量决定了模型的表达与泛化能力。
- 数据训练量大
  利用海量文本、图像、音频等多模态数据训练，提升模型的通用性。
- 基于Transformer
  多数大模型采用Transformer作为基础结构，具备强大的表示学习能力。
- 强泛化与迁移能力
  一次训练，多场景复用（如ChatGPT既能对话，也能写代码、改文案）。
- 具备“涌现能力”
  模型规模突破某个阈值后，表现出超越训练目标的智能行为（如逻辑推理、复杂生成）。
- 可调优能力强
  支持微调（Fine-tuning）、提示学习（Prompt Learning）、参数高效调优（LoRA、Adapter等）。
- 多模态发展趋势
  从纯文本模型发展到图文、语音、视频等多模态大模型，如GPT-4V、DeepSeek、Grok等

3、应用方向

1. Agent智能体（AI管家）

   • 概念：像一个“全能私人助理”，能自己分析问题、拆解任务、调用工具解决问题。

   • 例子：你想周末去露营，告诉它：“帮我找个离市区近、能带宠物、有烧烤区的露营地，订周六的房间，再推荐附近超市买食材。”它自动完成：搜攻略 → 筛选地点 → 查天气 → 订营地 → 生成购物清单 → 发到你手机。

   • 好处：不用自己一步步操作，AI能“动脑子”帮你搞定复杂任务。

   • 流程：用户输入 -> 拆解任务 -> 意图识别 -> 调用对应的函数并执行 -> 完成执行

2. 语音聊天助手（会聊天的AI）

   • 概念：像“升级版Siri”，能自然对话、理解语气，甚至模拟真人情感。

   • 例子：你开车时说：“我好困啊，来点提神的音乐，再导航到最近的咖啡店。”它回答：“马上切到摇滚歌单！前方500米有星巴克，要帮你点一杯冰美式吗？”（还能学你喜欢的说话风格）

   • 好处：不用打字，动动嘴就能聊天、查信息、控制智能家居，像有个“随身陪聊”。

   • 流程：语音输入 -> 语音识别转文字 -> 大模型对话 -> 文本转语音 -> 完成对话

3. 医学客服（AI健康小助手）

   • 概念：医院的“虚拟前台”，能解答常见问题、提醒用药、分诊建议。

   • 例子：你半夜胃疼，打开医院APP问：“吃了火锅后胃痛，该挂哪个科？现在能吃什么药缓解？”AI回答：“建议挂消化内科，暂时可服用XX药（非处方）。若呕吐加重，请立即急诊。”并推送附近24小时药店。

   • 好处：24小时在线，快速解答小毛病，避免排队问医生，隐私问题也能匿名咨询。

   • 流程：问题输入 -> 检索知识库 -> 问题拼接 -> 大模型对话 -> 给予回复

4、开发流程

大模型开发是一个系统工程，涉及数据、模型、算力、训练、部署、安全与迭代等多个环节。

• 任务定义与需求分析

  • 明确应用场景（如对话、写作、推荐、图像识别等）

  • 选择模型类型（NLP、CV、多模态等）

• 数据准备与预处理

  • 收集高质量、大规模数据（文本、图像、音频等）

  • 去噪清洗、标注、格式转换、去重与分词等

• 模型设计与选择

  • 选择合适的模型架构（如GPT、BERT、ViT、T5等）

  • 设定层数、宽度、注意力机制等结构参数

• 训练策略与资源配置

  • 分布式训练/混合精度训练

  • 使用大规模算力资源（GPU/TPU集群）

  • 设置优化器（AdamW）、学习率调度等参数

• 评估与调优

  • 评估指标：PPL、准确率、BLEU、ROUGE、F1等

  • 微调/指令调优（Instruction tuning）/RLHF等方法提升效果

• 推理部署与压缩优化

  • 部署到服务器或边缘端（云部署、API服务）

  • 模型量化、裁剪、蒸馏、MoE等手段提升推理效率

• 安全机制与合规检测

  • 防止生成有害/敏感内容

  • 对输出进行内容审查、对抗样本防御、模型水印等

• 持续迭代与生态构建

  • 基于用户反馈持续优化

  • 构建插件系统、开发者平台等生态体系

5、关键要点

• 在大模型应用开发时，不会从头开始构建一个新的模型，基于已有基座模型进行二次开发是行业主流实践。

• 选用已有的基座模型，并采用相应的技术手段优化大模型，如：微调，RAG，并行推理等。

• 选用流行且成熟的框架，通过参数调整和功能集成实现业务需求，避免重复造轮子。

6、项目介绍

• 简历

• 项目框架

• 三个模块

  • 大语言模型(LLM)--实现大语言模型的对话功能：大模型的本地部署，微调训练，流式对话，多轮对话。

  • RAG技术--增强大语言模型的对话能力：文本分割，文本嵌入，知识检索

  • 知识图谱--实现数据的高效存储：neo4j数据库，三元组抽取，实体对齐

• 项目展示

二、LLM

开始实际案例的展示......

1、API调用

大模型通过API调用是目前最常见、最便捷的使用方式，用户无需训练模型，只需调用接口即可享受强大的 AI 能力，比如文本生成、翻译、图像识别、代码补全等。

1.1 基本流程

• 获取 API 权限

  • 注册平台账号（如 OpenAI、DeepSeek、阿里通义、讯飞星火等）

  • 获取 API Key 或 Access Token

• 准备请求参数

  • 选择模型

  • 设置请求体

• 发起 API 请求

  • 使用编程语言（如 Python、JavaScript）通过 HTTP 协议调用接口

• 解析响应结果

  • 获取模型返回内容（如文本、图片链接、结构化数据等）

  • 可与前端、应用系统集成使用

1.2 基本特征

大模型API调用将复杂的模型能力简化为标准化服务，核心价值在于：

• 降低使用门槛：无需本地部署千亿参数模型，节省硬件与运维成本。

• 灵活适配场景：通过参数调节和上下文学习快速满足业务需求。

• 规模化支持：依托云计算实现高可用、低延迟的企业级服务。

1.3 DeepSeek实操

DeepSeek作为国内优秀的LLM平台，是一个不错的选择~

1.3.1 准备工作

• 访问deepseek官网，并注册账号：DeepSeek官网

• 注册账号并且充值

• 创建API-key

  仅在创建时可见可复制

• 查看使用手册

1.3.2 非流式输出

等模型生成完整结果后一次性返回，适合短文本、结构化内容提取等任务。

• 特点

  • 优点：

    • 使用简单，一次性拿到完整结果

    • 适合分析处理、摘要抽取、短文本问答等

  • 缺点：

    • 响应时间长，特别是文本很长时

    • 体验较差，用户需要等待全部生成完才能看到内容

• 环境安装

  pip install openai

• 非流式输出

  # Please install OpenAI SDK first: `pip3 install openai`
  from openai import OpenAI
  ​
  client = OpenAI(api_key="sk-f9deff6faca64899a3faaaf1f4c53d1d", base_url="https://api.deepseek.com"
  )
  ​
  response = client.chat.completions.create(model="deepseek-chat",messages=[{"role": "system", "content": "You are a helpful assistant"},{"role": "user", "content": "明月几时有"},],stream=False,
  )
  ​
  print(response.choices[0].message.content)
  ​

• 输出结果

  “明月几时有”是苏轼《水调歌头·明月几时有》中的名句，全文如下：
  ​
  **《水调歌头·明月几时有》**  
  明月几时有？把酒问青天。  
  不知天上宫阙，今夕是何年。  
  我欲乘风归去，又恐琼楼玉宇，高处不胜寒。  
  起舞弄清影，何似在人间。  
  ​
  转朱阁，低绮户，照无眠。
  不应有恨，何事长向别时圆？
  人有悲欢离合，月有阴晴圆缺，此事古难全。
  但愿人长久，千里共婵娟。
  ​
  ### 赏析：
  1. **背景**：此词作于宋神宗熙宁九年（1076年）中秋，苏轼在密州（今山东诸城）任职时，怀念弟弟苏 辙而写。
  2. **情感**：以月起兴，围绕中秋明月展开想象，交织人间情怀与宇宙哲思，既有对亲人的思念，又有对 人生无常的豁达。
  3. **名句**：- “人有悲欢离合，月有阴晴圆缺”道出世事无常的常态。- “但愿人长久，千里共婵娟”成为表达远方亲友平安共勉的千古绝唱。
  ​
  ​
  ### 小知识：
  这首词被誉为“中秋词之冠”，后曾被改编为经典歌曲（如王菲演唱的《但愿人长久》）。若您想进一步探讨其文学手法或创作背景，可以随时告诉我！

1.3.3 流式输出

服务器将响应内容一段一段地实时返回，适合长文本、对话、写作等需要即时反馈的场景。

• 特点

  • 优点

    • 响应快：无需等全部生成完毕，先生成先返回

    • 体验佳：像人打字一样流畅，常用于对话机器人

    • 可中断：用户可随时打断流式响应过程

  • 缺点

    • 编程稍复杂，需要处理数据流拼接

    • 不易直接使用普通 HTTP 请求工具（如 Postman）

• 原理

• 流式推理的实现—生成器

  import time
  ​
  def test():  # 生成器函数for i in range(10):time.sleep(1)yield i  # 生成器函数，使用yield关键字返回值
  ​
  if __name__ == "__main__":aaa = test()print(aaa)  # aaa是一个生成器，可以想象成一个队列，每读取一次，就会执行一次函数体for a in aaa:print(a)  # 读取生成器中的值

• 流式推理代码编写：

  from openai import OpenAI
  ​
  client = OpenAI(api_key="sk-f9deff6faca64899a3faaaf1f4c53d1d", base_url="https://api.deepseek.com"
  )
  ​
  response = client.chat.completions.create(model="deepseek-chat",messages=[{"role": "system", "content": "You are a helpful assistant"},{"role": "user", "content": "明月几时有"},],stream=True,
  )
  ​
  # 流式输出
  out = []
  for chunk in response:print(chunk.choices[0].delta.content)out.append(chunk.choices[0].delta.content)print('-' * 10)print(''.join(out))
  ​

1.3.4 总结对比

项目	流式输出	非流式输出
返回方式	边生成边返回	全部生成后一次返回
响应速度	快	慢（尤其是长文本）
使用体验	更自然（打字式）	等待过程较长
编程复杂度	稍复杂（需拼接）	简单
适用场景	对话生成、直播问答	简短回复、结构化处理

1.3.5 代码封装

将代码封装为类，方便其他文件调用此功能。

非流式输出：

from openai import OpenAI
​
class DeepseekAPI:def __init__(self, api_key):  # 初始化方法self.api_key = api_key  # API密钥self.client = OpenAI(api_key=api_key, base_url="https://api.deepseek.com")  # 实例化OpenAI客户端
​def inference(self, messages):response = self.client.chat.completions.create(model="deepseek-chat",messages=messages,  # 消息内容stream=False,  # 设置为False以获取完整响应)return response.choices[0].message.content  # 返回完整响应
​
​
# 测试代码
if __name__ == "__main__":api_key = "sk-f9deff6faca64899a3faaaf1f4c53d1d"  # API密钥messages = [{"role": "system", "content": "你是一名AI助手"},{"role": "user", "content": "请简要介绍一下你自己"},]  # 定义消息内容stream = False  # 设置为True以获取流式输出，False以获取完整响应deepseek_api = DeepseekAPI(api_key)  # 实例化DeepseekAPI类result = deepseek_api.inference(messages)  # 调用推理方法print(result)  # 打印响应内容
​

流式输出：

# 流式输出:
from openai import OpenAI
​
class DeepseekAPI:def __init__(self, api_key):  # 初始化方法self.api_key = api_key  # API密钥self.client = OpenAI(api_key=api_key, base_url="https://api.deepseek.com")  # 实例化OpenAI客户端
​def inference(self, messages):response = self.client.chat.completions.create(model="deepseek-chat",messages=messages,  # 消息内容stream=True,  # 设置为False以获取完整响应)for chunk in response:  # 遍历响应的每个块if chunk.choices:  # 如果块中有返回内容content = chunk.choices[0].delta.content  # 获取内容yield content  # 逐块返回内容
​
# 测试代码
if __name__ == "__main__":api_key = "sk-f9deff6faca64899a3faaaf1f4c53d1d"  # API密钥messages = [{"role": "system", "content": "你是一名乐于助人的人工智能助手"},{"role": "user", "content": "请简要介绍一下你自己"},]  # 定义消息内容stream = False  # # 设置为True以获取流式输出，False以获取完整响应deepseek_api = DeepseekAPI(api_key)  # 实例化DeepseekAPI类result = deepseek_api.inference(messages)  # 调用推理方法for chunk in result:  # 遍历响应的每个块print(chunk, end="")  # 打印每个块的内容
​

三、大模型本地部署

各种大模型

国内：ModelScope 魔搭社区

国际：https://huggingface.co/

镜像：HF-Mirror

1、基本介绍

官网： 通义大模型_AI大模型_一站式大模型推理和部署服务-阿里云

开源：https://github.com/QwenLM/Qwen

在国产大模型领域，Qwen系列一直稳居前列，其出色的性能使其在多项评测中名列前茅。作为阿里巴巴的一项重要研发成果，Qwen系列的开源版本在业内备受瞩目，且长期以来在各大榜单上表现优异。

• 多模态能力：部分版本支持文本、图像、音频等多模态输入与生成。

• 超长上下文：最新模型支持高达128K tokens的上下文窗口，适合长文档处理。

• 高性能：在权威基准（如MMLU、C-Eval）上表现优异，接近或超越国际主流模型。

• 工具调用：支持外部API调用、代码解释器等，增强复杂任务处理能力。

这张图表展示了多个大语言模型（LLMs）在不同评估基准上的性能表现，各列的参数含义如下：

• Model

模型名称，如 MPT、Falcon、ChatGLM2、LLaMA、Qwen 等。

• Params

模型参数量（参数规模），单位是 B（Billion，十亿）。例如 7B 表示模型有 70 亿参数。

• MMLU (5-shot)

Massive Multitask Language Understanding，是一个跨学科考试题集，衡量模型的广泛知识掌握能力。

5-shot 表示使用 5 个示例提示（few-shot learning）进行评测。

• C-Eval (5-shot)

C-Eval 是面向中文的多任务评测集，涵盖中国大学考试内容等。

5-shot 同样表示使用 5 个示例提示。

• GSM8K (8-shot)

Grade School Math 8K，是一个数学问题解决数据集，适用于小学级别数学推理能力评测。

8-shot 表示给出 8 个示例再让模型解题。

• MATH (4-shot)

比 GSM8K 更难，是中学至大学级别的数学题数据集，评估模型在复杂数学问题上的能力。

4-shot 表示提供 4 个示例。

• HumanEval (0-shot)

由 OpenAI 提供的评估模型编程能力的数据集，包含 Python 编程任务。

0-shot 表示不提供任何提示，直接让模型生成代码。

• MBPP (3-shot)

Mostly Basic Python Problems，也是编程任务集合，但比 HumanEval 更基础。

3-shot 表示提供 3 个编程示例。

• BBH (3-shot)

Big-Bench Hard，是 BIG-bench 数据集中最难的子集，涵盖推理、数学、逻辑等多种任务。

3-shot 表示提供 3 个例题。

2、线上体验

你说自己牛逼就牛逼？那不行，我要体验一下

https://huggingface.co/spaces/Qwen/Qwen2.5-Coder-7B-Instruct

通义大模型_AI大模型_一站式大模型推理和部署服务-阿里云

3、本地部署

各种配置方式

3.1 modelscope

搜索对应的模型即可~

官方指导： 通义千问3-0.6B

3.2 huggingface

搜索对应的模型即可~

官方指导：https://huggingface.co/Qwen/Qwen3-0.6B

3.3 Ollama

Ollama是一个开源工具，用于在本地计算机上快速运行、管理和部署大型语言模型（LLMs）。它支持多种开源模型（如 Llama 3、Mistral、Gemma、Qwen 等），并提供简单命令行操作，适合开发者和研究者本地测试 LLM。

官网：Ollama

支持的模型：Ollama Search

3.3.1 安装

下载安装即可，Ollama安装硬件要求：

• Windows：3060以上显卡+8G以上显存+16G内存，硬盘空间至少20G

• Mac：M1或M2芯片16G内存，20G以上硬盘空间

3.3.2 基本命令

命令	说明
ollama pull <模型名>	下载模型（如 llama3）
ollama run <模型名>	运行模型交互式对话
ollama list	查看已安装模型
ollama rm <模型名>	删除模型

3.3.3 运行模型

ollama pull qwen:7b           # 下载 Qwen-7B
ollama run qwen:7b            # 启动聊天

3.3.4 适用场景

• 开发测试 – 快速验证模型效果

• 离线应用 – 无网络环境下使用 LLM

• 轻量级部署 – 替代云 API 的高成本方案

3.3.5 请求示例

POST http://localhost:11434/api/chat
Content-Type: application/json

{
  "model": "qwen3:0.6b",
  "messages": [
    { "role": "user", "content": "LLM是什么？" }
  ],
  "stream": true
}

响应：

json复制编辑{
  "message": {
    "role": "assistant",
    "content": "你好！我不知道实时天气信息，但你可以查看天气预报网站获取最新天气。"
  },
  "done": true
}

3.4 vLLM

参考Docker

四、DeepSeek-1.5B本地部署

大模型本地部署是指将大型预训练模型（如GPT、Llama、BERT等）完全部署在用户自有的硬件设备（如服务器、本地计算机）上，而非依赖云端API服务。

1、特点

• 私有化：模型和数据完全存储在本地，无需通过互联网传输。

• 自主控制：用户拥有模型的完整权限，可自由修改、训练或调整推理逻辑。

• 离线运行：无需网络连接即可使用模型能力（如生成文本、分析数据）。

2、功能

• 数据安全：敏感数据（如医疗记录、企业机密）无需上传第三方服务器，避免泄露风险。

• 模型微调：基于本地数据调整模型参数，适配垂直领域任务（如法律合同分析）。

• 硬件适配：针对本地GPU/CPU资源优化模型推理速度（如量化、剪枝）。

• 无需联网：在断网环境（如实验室、保密机构）中仍可使用模型能力。

3、模型下载

• 从huggingface找到你要下载的模型

  

• 安装huggingface的下载工具(python库)：

  pip install huggingface_hub

• 下载模型文件

  set HF_ENDPOINT=https://hf-mirror.com  # 加速下载设置
  huggingface-cli download deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B --local-dir ./deepseek  # 下载模型文件
  huggingface-cli download thenlper/gte-large --local-dir ./gte-large
  huggingface-cli download BAAI/bge-base-zh --local-dir ./bge-base-zh
  ​

4、非流式推理

利用transformer框架进行部署推理： Transformer库的使用手册：Transformers文档

4.1 参考代码

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch# 一：加载模型
model_path = r"./modeldir"  # 模型路径
device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16  # 指定模型参数类型为float16
model = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch_dtype).to(device
)  # 加载模型并移动到GPU
tokenizer = AutoTokenizer.from_pretrained(model_path)  # 加载分词器# 二：设置生成参数和输入消息
gen_kwargs = {"max_length": 1024,  # 生成的最大长度"do_sample": True,  # 是否使用概率采样"top_k": 10,  # 采样时的前K个候选词，越大越随机"temperature": 0.7,  # 生成丰富性，越大越有创造力"top_p": 0.8,  # 采样时的前P个候选词，越大越随机"repetition_penalty": 1.2,  # 重复惩罚系数，越大越不容易重复
}
# 定义消息内容
messages = [{"role": "system", "content": "你是AI助手"},{"role": "user", "content": "明月几时有"},
]# 三：将输入数据转换为模型可接受的格式
inputs = tokenizer.apply_chat_template(messages,add_generation_prompt=True,tokenize=True,return_tensors="pt",return_dict=True,
).to(device
)  # 将输入数据移动到GPU# 四：生成输出
outputs = model.generate(**inputs, **gen_kwargs)  # 生成输出
outputs = outputs[:, inputs["input_ids"].shape[1] :]  # 截取生成的输出
result = tokenizer.decode(outputs[0], skip_special_tokens=True)  # 解码输出# 五：打印结果
print(result)  # 打印结果

4.2 参数详解

1. device

   • 概念：指定模型运行的计算设备（CPU 或 GPU）。在 PyTorch 中通常为 "cpu" 或 "cuda:0"。

   • 设置建议：优先使用 GPU（如 device="cuda:0"），显存不足时用 CPU。

2. torch_dtype

   • 概念：模型张量的数据类型，如 float32（高精度）、float16 或 bfloat16（低精度，节省显存）。

   • 影响：精度越高（如 float32），结果越精确，但显存占用更大。精度越低（如 float16），显存占用少，但可能损失精度或数值不稳定。

   • 设置建议：GPU 推荐 torch.float16 或 bfloat16（兼容性需确认）；CPU 通常用 float32。

3. max_length

   • 概念：生成文本的最大长度（token 数量）。

   • 影响：值越大，生成内容越长，但速度越慢，且可能重复或偏离主题。值过小可能导致回答不完整。

   • 设置建议：根据任务调整：对话建议 100-300，长文本生成可设 512-1024，注意模型最大限制（如 4096）。

4. do_sample

   • 概念：是否启用采样策略（如 top_k, top_p）。若为 False，则使用贪心解码（确定性强）。

   • 影响：True：输出多样化，适合创意任务。False：输出确定性强，适合事实性问题。

   • 设置建议：需要多样性时设为 True，需准确性时设为 False。

5. top_k

   • 概念：采样时保留概率最高的前 k 个 token。

   • 影响：值越大（如 100），候选 token 多，输出多样但可能不相关。值越小（如 10），输出更确定但可能重复。

   • 设置建议：通常设为 10-50。

     Token	概率
     "猫"	0.30
     "狗"	0.25
     "鸟"	0.15
     "跑"	0.10
     "跳"	0.08
     "飞"	0.07
     "叫"	0.05

     top_k=3 采样：

     • 只保留概率最高的 3个 token：["猫", "狗", "鸟"]

     • 在这三个中按概率随机采样一个。

6. temperature

   Token	Logits	Softmax（T=1）	Softmax（T=0.5）	Softmax（T=2）
   "猫"	4.0	0.60	0.80	0.40
   "狗"	3.0	0.25	0.18	0.30
   "鸟"	2.0	0.15	0.02	0.30

   • 概念：控制采样随机性，调整概率分布平滑度。

   • 影响：值大（如 1.5）：输出随机性高，可能不连贯。值小（如 0.1）：输出更确定，但易重复。

   • 设置建议：平衡点常为 0.7-1.0；需创造性时调高（如 0.9），需保守时调低（如 0.3）。

7. top_p（核采样）

   • 概念：从累积概率超过阈值 p 的最小 token 集合中采样。

   • 影响：值大（如 0.95）：候选 token 多，输出多样。值小（如 0.5）：候选 token 少，输出更集中。

   • 设置建议：常用 0.7-0.95。

     Token	概率	累积和
     "猫"	0.25	0.25
     "狗"	0.20	0.45
     "鸟"	0.15	0.60
     "跑"	0.12	0.72
     "跳"	0.10	0.82
     "飞"	0.09	0.91 ： 达到 top_p 阈值
     "叫"	0.05	0.96

8. repetition_penalty

   if token in generated_tokens:logits[token] /= repetition_penalty

   • 概念：惩罚重复 token 的权重（>1.0 时抑制重复，<1.0 时鼓励重复）。

   • 影响：值大（如 2.0）：减少重复，但可能生成不自然内容。值小（如 1.0）：无惩罚，默认行为。

   • 设置建议：通常设为 1.0-1.2，明显重复时可设 1.2-1.5。

     应用场景	推荐设置
     正常文本生成（如聊天）	1.1～1.3（防止重复）
     模仿风格性强文本（如古诗）	1.0（或略小）
     模型不断重复一句话？	适当增大 penalty（如 1.5）

4.3 代码封装

from transformers import AutoTokenizer, AutoModelForCausalLM
import torchclass DeepSeek:def __init__(self, model_path, device, torch_dtype):self.device = device  # 设定推理设备self.model = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch_dtype).to(device)  # 加载模型并移动到GPUself.tokenizer = AutoTokenizer.from_pretrained(model_path)  # 加载分词器def inference(self, messages, gen_kwargs):inputs = self.tokenizer.apply_chat_template(messages,add_generation_prompt=True,tokenize=True,return_tensors="pt",return_dict=True,).to(self.device)  # 将输入数据移动到GPUoutputs = self.model.generate(**inputs, **gen_kwargs)  # 生成输出outputs = outputs[:, inputs["input_ids"].shape[1] :]  # 截取生成的输出result = self.tokenizer.decode(outputs[0], skip_special_tokens=True)  # 解码输出return resultif __name__ == "__main__":# 一：设定模型路径和设备，加载模型model_path = r"./modeldir"  # 替换为你的模型路径device = "cuda:0" if torch.cuda.is_available() else "cpu"torch_dtype = torch.float16deepseek = DeepSeek(model_path, device, torch_dtype)# 二：设定推理参数，推理消息gen_kwargs = {"max_length": 1024,  # 生成的最大长度"do_sample": True,  # 是否使用概率采样"top_k": 10,  # 采样时的前K个候选词，越大越随机"temperature": 0.7,  # 生成丰富性，越大越有创造力"top_p": 0.8,  # 采样时的前P个候选词，越大越随机"repetition_penalty": 1.2,}  # 重复惩罚系数，越大越不容易重复messages = [{"role": "system", "content": "你是一名乐于助人的人工智能助手"},{"role": "user", "content": "写一个js判断用户验证码代码"},]  # 定义消息内容result = deepseek.inference(messages, gen_kwargs)  # 调用推理方法print(result)  # 打印结果

5、流式推理

from transformers import AutoTokenizer, AutoModelForCausalLM, TextIteratorStreamer
import torch
from threading import Threadclass DeepSeek:def __init__(self, model_path, device, torch_dtype):self.device = device  # 设定推理设备self.model = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch_dtype).to(device)  # 加载模型并移动到GPUself.tokenizer = AutoTokenizer.from_pretrained(model_path)  # 加载分词器def inference(self, messages, gen_kwargs):inputs = self.tokenizer.apply_chat_template(messages,add_generation_prompt=True,tokenize=True,return_tensors="pt",return_dict=True,).to(self.device)  # 将输入数据移动到GPUstreamer = TextIteratorStreamer(self.tokenizer, skip_special_tokens=True)  # 创建流式输出对象generation_kwargs = dict(**inputs, **gen_kwargs, streamer=streamer)  # 生成参数thread = Thread(target=self.model.generate, kwargs=generation_kwargs)  # 创建线程thread.start()  # 启动线程进行生成generated_text = ""  # 初始化生成文本for new_text in streamer:  # 流式输出生成的文本generated_text += new_text  # 累加生成的文本yield new_text  # 逐步返回生成的文本if __name__ == "__main__":# 一：设定模型路径和设备，加载模型model_path = r"./modeldir"  # 替换为你的模型路径device = "cuda"  # 指定推理设备为GPUtorch_dtype = torch.float16deepseek = DeepSeek(model_path, device, torch_dtype)# 二：设定推理参数，推理消息gen_kwargs = {"max_length": 1024,  # 生成的最大长度"do_sample": True,  # 是否使用概率采样"top_k": 10,  # 采样时的前K个候选词，越大越随机"temperature": 0.7,  # 生成丰富性，越大越有创造力"top_p": 0.8,  # 采样时的前P个候选词，越大越随机"repetition_penalty": 1.2,}  # 重复惩罚系数，越大越不容易重复messages = [{"role": "system", "content": "你是一名乐于助人的人工智能助手"},{"role": "user", "content": "请简要介绍一下你自己"},]  # 定义消息内容response = deepseek.inference(messages, gen_kwargs)  # 调用推理方法result = ""  # 初始化结果for chunk in response:  # 流式输出生成的文本result += chunk  # 累加生成的文本print(result)  # 打印结果