引言
ChatGLM-6B是清华大学知识工程和数据挖掘小组（Knowledge Engineering Group (KEG) & Data Mining at Tsinghua University）发布的一个开源的对话机器人。6B表示这是ChatGLM模型的60亿参数的小规模版本，约60亿参数。
ChatGML-6B-int4量化模型是针对ChatGML-6B做的优化版本，占用更少的资源，以便个人电脑进行部署测试和使用。
大模型的部署一般需要GPU资源，而个人电脑一般都是Windows操作系统，且没有独立的GPU。那么大模型如何部署在只有CPU的Windows机器上呢？需要额外安装一个叫TDM-GCC的软件。
下面详细阐述ChatGML-6B-int4量化模型在Windows PC上的操作过程：
环境准备
ChatGML-6B-int4量化模型部署需要提供python运行环境、安装好Git版本管理工具和TDM-GCC软件。
1. 安装Anaconda
Anaconda是可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。
下载安装
Anaconda官方下载地址：www.anaconda.com/download/ 下载之后，一路点击【next】，即可安装完成。
配置环境变量
在PC电脑的环境变量Path中增加Anaconda相关的环境变量。
makefile
复制代码
E:\Anaconda
E:\Anaconda\Scripts
E:\Anaconda\Library\mingw-w64\bin
E:\Anaconda\Library\usr\bin
E:\Anaconda\Library\bin
注意，其中E:\Anaconda改为Anaconda自己的安装根目录。
修改pip镜像源
修改pip安装软件的镜像源，可以加速依赖下载速度。
csharp
复制代码
# 阿里源
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/
2. 安装Git
Git Windows版本下载地址：git-scm.com/download/wi… 下载之后可以一路点击【next】即完成安装，通过如下命令查看版本信息：
复制代码
git version
3. 安装TDM-GCC
TDM-GCC主要对模型一些C代码提供编译环境，下载地址：jmeubank.github.io/tdm-gcc/ 下载之后可以一路点击【next】即完成安装。
模型部署
1. 下载模型源码并安装依赖
（1）在你的工作目录打开命令提示窗口，默认下载到当前目录
bash
复制代码
git clone https://github.com/THUDM/ChatGLM-6B
（2）切换到chatGLM-6B目录
bash
复制代码
cd ChatGLM-6B
（3）创建conda的虚拟环境,指定Python的版本
ini
复制代码
conda create -n VENV310 python=3.10
（4）激活环境
复制代码
conda activate VENV310
（5）下载依赖包
复制代码
pip install -r requirements.txt
本节指定的版本非常重要，否则会在下载依赖包环节出现各种问题。 本节操作目的主要是为下面的量化模型提供运行脚本和运行环境。
2. 下载量化模型
ChatGML-6B-int4量化模型下载比较麻烦，需要到huggingface网站下载，需要用到科学上网。网上说国内魔搭社区下载的模型代码不完整。
在huggingface上下载又有两种方式：通过Git下载和浏览器下载。
（1）Git下载方式：
bash
复制代码
git lfs install
git clone https://huggingface.co/THUDM/chatglm-6b-int4
可以将该工程下载到chatGLM-6B目录下面。
（2）浏览器下载： 在浏览器打开huggingface.co/THUDM/chatg…，将目录下的文件全部下载到如下目录：
bash
复制代码
chatGLM-6B/chatglm-6b-int4 #如果没有该目录则新建
3. 运行量化模型
模型运行脚本文件为：ChatGLM-6B\cli_demo.py，修改该文件的模型加载代码，改为加载chatglm-6b-int4量化模型。修改内容如下：
ini
复制代码
# tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True)
# model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda()
tokenizer = AutoTokenizer.from_pretrained("chatglm-6b-int4", trust_remote_code=True)
model = AutoModel.from_pretrained("chatglm-6b-int4",trust_remote_code=True).float()
注意，量化模型目录chatglm-6b-int4一定要保证与当前文件在同一个父目录下。
运行出现的问题：
（1）在启动cli_demo的时候报错：No module named ‘readline’ 解决方案：下载pyreadline3，在当前激活的虚拟环境中执行如下命令：
复制代码
python -m pip install pyreadline
（2）在启动cli_demo的时候报错：AttributeError: module ‘collections’ has no attribute ‘Callable’ 解决方案：这是pyreadline依赖包的文件py3k_compat.py有问题，需要修改依赖包的代码，把return isinstance(x, collections.Callable)改为 return isinstance(x, collections.abc.Callable)即可正常使用。
处理完上述问题之后，ChatGLM-6B\cli_demo.py该脚本可以正常运行，控制台会输出脚本内置问题的答案，由于电脑配置的问题，结果输出非常缓慢，且我的CPU使用率一直是100%，爆了！
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓
