Merge pull request datawhalechina#82 from dingyue772/master

Qwen1.5-moe-a2.7b

Qwen1.5/06-Qwen1.5-MoE-A2.7B.md

@@ -0,0 +1,87 @@
+# Qwen1.5-MoE-chat Transformers 部署调用
+## Qwen1.5-MoE-chat介绍
+Qwen1.5-MoE-chat仅使用2.7B激活参数，达到和目前最先进的7B模型如Mistral 7B和Qwen1.5-7B模型相当的能力。相比Qwen1.5-7B，Qwen1.5-MoE-A2.7B的训练成本降低了75%，推理速度则提升至1.74倍。
+
+相较于Mixtral-MoE模型，Qwen1.5-MoE在模型结构上有以下改进：使用了finegrained experts，利用已有的Qwen1.8B初始化模型，使用shared experts和routing experts等新的routing机制。
+
+完整介绍参照官方blog：[Qwen1.5-MoE:1/3的激活参数量达到7B模型的性能](https://qwenlm.github.io/zh/blog/qwen-moe/)
+
+## 讲讲显存计算
+显存计算的考虑会随着模型类型不同，任务不同而变化
+
+这里的Transformers部署调用是推理任务，因而只需要考虑模型参数、KV Cache、中间结果和输入数据。这里的模型为MoE模型，考虑完整模型参数（14.3B）；使用了bf16加载，再考虑中间结果、输入数据和KV Cache等，大概是`2x1.2x14.3`的显存需求，所以我们后面会选择双卡共48G显存
+
+更完整的显存计算参照这个blog：[【Transformer 基础系列】手推显存占用](https://zhuanlan.zhihu.com/p/648924115)
+## 环境准备
+在autodl平台中租一个**双卡3090等24G（共计48G）显存**的机器，如下图所示镜像选择PyTorch-->2.1.0-->3.10(ubuntu22.04)-->12.1
+接下来打开刚刚租用服务器的JupyterLab， 图像 并且打开其中的终端开始环境配置、模型下载和运行演示。 
+![Alt text](images/image-1.png)
+pip换源和安装依赖包
+```shell
+# 因为涉及到访问github因此最好打开autodl的学术镜像加速
+source /etc/network_turbo
+# 升级pip
+python -m pip install --upgrade pip
+# 更换 pypi 源加速库的安装
+pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
+# 从transformers的github仓库中安装包含qwen1.5-moe的新版本
+pip install git+https://github.com/huggingface/transformers
+# 安装需要的python包
+pip install modelscope sentencepiece accelerate fastapi uvicorn requests streamlit transformers_stream_generator
+# 安装flash-attention
+pip install https://github.com/Dao-AILab/flash-attention/releases/download/v2.4.2/flash_attn-2.4.2+cu122torch2.1cxx11abiFALSE-cp310-cp310-linux_x86_64.whl
+```
+## 模型下载
+使用ModelScope下载模型
+```python
+import torch
+from modelscope import snapshot_download, AutoModel, AutoTokenizer
+import os
+model_dir = snapshot_download('qwen/Qwen1.5-MoE-A2.7B-Chat', cache_dir='/root/autodl-tmp', revision='master')
+```
+## 代码准备
+在/root/autodl-tmp路径下新建trains.py文件并在其中输入以下内容
+```python
+import torch  # 导入torch库，用于深度学习相关操作
+from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig  # 三个类分别用于加载分词器、加载因果语言模型和加载生成配置
+
+# 将模型路径设置为刚刚下载的模型路径
+model_name = "/root/autodl-tmp/qwen/Qwen1.5-MoE-A2.7B-Chat"
+
+# 加载语言模型，设置数据类型为bfloat16即混合精度格式以优化性能并减少显存使用，将推理设备设置为`auto`自动选择最佳的设备进行推理，如果没有可用的GPU，它可能会回退到CPU
+model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.bfloat16, device_map="auto")
+
+# 加载分词器
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+
+# 定义input字符串
+prompt = "Give me a short introduction to large language model."
+messages = [
+    {"role": "system", "content": "You are a helpful assistant."},
+    {"role": "user", "content": prompt}
+]
+# 使用分词器的apply_chat_template方法来处理messages，转换格式
+text = tokenizer.apply_chat_template(
+    messages,
+    tokenize=False,
+    add_generation_prompt=True # 在消息前添加生成提示
+)
+# 将text变量中的文本转换为模型输入的格式，指定返回的张量为PyTorch张量（"pt"）
+model_inputs = tokenizer([text], return_tensors="pt").to(device)
+# 使用模型的generate方法来生成文本
+generated_ids = model.generate(
+    model_inputs.input_ids,
+    max_new_tokens=512
+)
+# 从生成的ID中提取出除了原始输入之外的新生成的token
+generated_ids = [
+    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
+]
+# 使用分词器的batch_decode方法将生成的token ID转换回文本
+response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
+# 显示生成的回答
+print(response)
+```
+运行结果如下图所示，模型生成了与代码中prompt对应的结果:
+
+![alt text](images/image-2.png)