一、模型介绍
大语言模型（LLM）领域，如 GPT、LLaMA、GLM 等，虽然它们效果惊艳， 但动辄 10 Bilion 庞大的模型参数个人设备显存远不够训练，甚至推理困难。
几乎所有人都不会只满足于用 Lora 等方案 fine-tuing 大模型学会一些新的指令， 这约等于在教牛顿玩 21 世纪的智能手机，不过，这远远脱离了学习物理本身的奥妙。
此外，付费订阅的营销号漏洞百出的一知半解讲解 AI 的教程遍地， 让理解 LLM 的优质内容雪上加霜，严重阻碍了学习者。
因此，本项目的目标是把上手 LLM 的门槛无限降低， 直接从 0 开始训练一个极其轻量的语言模型。
- 本开源项目旨在完全从 0 开始，最快仅用 3 小时！即可训练出仅为 26M 大小的微型语言模型 MiniMind 。
- MiniMind 极其轻量，体积约是 GPT3 的 17000，力求做到最普通的个人 GPU 也可快速推理甚至训练。
- MiniMind 改善自 DeepSeek-V2、Llama3 结构，项目包含整个数据处理、pretrain、sft、dpo 的全部阶段，包含混合专家(MoE)模型。
- 这是一个既是开源项目，又是入门 LLM 教程，同时也是一个初具雏形的开源模型，希望能起到抛砖引玉的作用。
二、模型搭建流程
基础环境最低要求说明：
|
环境名称 |
版本信息 1 |
|
Ubuntu |
22.04.4 LTS |
|
Cuda |
V12.1.105 |
|
Python |
3.9 |
|
NVIDIA Corporation |
RTX 3060 |
1. 根据需求选择主机和镜像，进行一键创建实例
- 在租用实例页面，通过一键使用进入应用社区
- 搜索并选择 MiniMind 大模型
- 选择 RTX 3060 GPU，进行创建实例
2. 进入网页端命令行
- 在项目实例页面，点击 WebSSH
- 进入 WebSSH 页面，运行后续的功能代码
3. 启动 web 页面
# 切换到项目工作目录
cd /minimind/
# 激活 MiniMind 虚拟环境
conda activate MiniMind
# 运行 fast_infenence.py 文件
streamlit run fast_infenence.py --server.address '0.0.0.0' --server.port 8080
4. 获取端口号
- 第一次使用需要进行实名认证（通过实名认证可跳过此步骤）
- 实名认证之后进行开发对外端口
- 获取访问地址
5. 进入 web 页面
将获取到的链接复制到本地浏览器：
# 列如当前获取的地址如下：
http://hn-a.suanjiayun.com:30758
三、本地部署教程
1. 更新基础软件包
查看系统版本信息
# 查看系统版本信息，包括ID（如ubuntu、centos等）、版本号、名称、版本号ID等
cat /etc/os-release
配置 apt 国内源
# 更新软件包列表
apt-get update这个命令用于更新本地软件包索引。它会从所有配置的源中检索最新的软件包列表信息，但不会安装或升级任何软件包。这是安装新软件包或进行软件包升级之前的推荐步骤，由于它确保了您获取的是最新版本的软件包。
# 安装 Vim 编辑器
apt-get install -y vim这个命令用于安装 Vim 文本编辑器。-y 选项表明自动回答所有的提示为“是”，这样在安装过程中就不需要手动确认。Vim 是一个超级强劲的文本编辑器，广泛用于编程和配置文件的编辑。
为了安全起见，先备份当前的 sources.list 文件之后，再进行修改：
# 备份现有的软件源列表
cp /etc/apt/sources.list /etc/apt/sources.list.bak这个命令将当前的 sources.list 文件复制为一个名为 sources.list.bak 的备份文件。这是一个好习惯，由于编辑 sources.list 文件时可能会出错，导致无法安装或更新软件包。有了备份，如果出现问题，您可以轻松地恢复原始的文件。
# 编辑软件源列表文件
vim /etc/apt/sources.list这个命令使用 Vim 编辑器打开 sources.list 文件，以便您可以编辑它。这个文件包含了 APT（Advanced Package Tool）用于安装和更新软件包的软件源列表。通过编辑这个文件，您可以添加新的软件源、更改现有软件源的优先级或禁用某些软件源。
在 Vim 中，您可以使用方向键来移动光标，i 键进入插入模式（可以开始编辑文本），Esc 键退出插入模式，:wq 命令保存更改并退出 Vim，或 :q! 命令不保存更改并退出 Vim。
编辑 sources.list 文件时，请确保您了解自己在做什么，特别是如果您正在添加新的软件源。错误的源可能会导致软件包安装失败或系统安全问题。如果您不确定，最好先搜索并找到可靠的源信息，或者咨询有经验的 Linux 用户。
使用 Vim 编辑器打开 sources.list 文件，复制以下代码替换 sources.list 里面的全部代码，配置 apt 国内阿里源。
deb http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse
安装常用软件和工具
# 更新源列表，输入以下命令：
apt-get update
# 更新系统软件包，输入以下命令：
apt-get upgrade
# 安装常用软件和工具，输入以下命令：
apt-get -y install vim wget git git-lfs unzip lsof net-tools gcc cmake build-essential出现以下页面，说明国内 apt 源已替换成功，且能正常安装 apt 软件和工具
2. 安装 NVIDIA CUDA Toolkit 12.1
- 下载 CUDA Keyring ：
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb这个命令用于下载 CUDA 的 GPG 密钥环，它用于验证 CUDA 软件包的签名。这是确保软件包安全性的一个重大步骤。
- 安装 CUDA Keyring ：
dpkg -i cuda-keyring_1.0-1_all.deb使用 dpkg 安装下载的密钥环。这是必要的，以便 apt 能够验证从 NVIDIA 仓库下载的软件包的签名。
- 删除旧的 apt 密钥（如果必要） ：
apt-key del 7fa2af80这一步可能不是必需的，除非您知道 7fa2af80 是与 CUDA 相关的旧密钥，并且您想从系统中删除它以避免混淆。一般情况下，如果您只是安装 CUDA 并使用 NVIDIA 提供的最新密钥环，这一步可以跳过。
- 更新 apt 包列表 ：
apt-get update更新 apt 的软件包列表，以便包括刚刚通过 cuda-keyring 添加的 NVIDIA 仓库中的软件包。
- 安装 CUDA Toolkit ：
apt-get -y install cuda-toolkit-12-1
出现以下页面，说明 NVIDIA CUDA Toolkit 12.1 安装成功
注意：这里可能有一个问题。NVIDIA 官方 Ubuntu 仓库中可能不包含直接名为 cuda-toolkit-12-1 的包。一般，您会安装一个名为 cuda 或 cuda-12-1 的元包，它会作为依赖项拉入 CUDA Toolkit 的所有组件。请检查 NVIDIA 的官方文档或仓库，以确认正确的包名。
如果您正在寻找安装特定版本的 CUDA Toolkit，您可能需要安装类似 cuda-12-1 的包（如果可用），或者从 NVIDIA 的官方网站下载 CUDA Toolkit 的 .run 安装程序进行手动安装。
请确保您查看 NVIDIA 的官方文档或 Ubuntu 的 NVIDIA CUDA 仓库以获取最准确的包名和安装指令。
- 出现以上情况，需要配置 NVIDIA CUDA Toolkit 12.1 系统环境变量
编辑 ~/.bashrc 文件
# 编辑 ~/.bashrc 文件
vim ~/.bashrc插入以下环境变量
# 插入以下环境变量
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
激活 ~/.bashrc 文件
# 激活 ~/.bashrc 文件
source ~/.bashrc查看 cuda 系统环境变量
which nvcc
nvcc -V
3. 安装 Miniconda
- 下载 Miniconda 安装脚本 ：使用 wget 命令从 Anaconda 的官方仓库下载 Miniconda 的安装脚本。Miniconda 是一个更小的 Anaconda 发行版，包含了 Anaconda 的核心组件，用于安装和管理 Python 包。
- 运行 Miniconda 安装脚本 ：使用 bash 命令运行下载的 Miniconda 安装脚本。这将启动 Miniconda 的安装过程。
# 下载 Miniconda 安装脚本
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 运行 Miniconda 安装脚本
bash Miniconda3-latest-Linux-x86_64.sh
# 初次安装需要激活 base 环境
source ~/.bashrc按下回车键（enter）
输入 yes
输入 yes
安装成功如下图所示
pip 配置清华源加速
# 编辑 /etc/pip.conf 文件
vim /etc/pip.conf加入以下代码
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple注意事项：
- 请确保您的系统是 Linux x86_64 架构，由于下载的 Miniconda 版本是为该架构设计的。
- 在运行安装脚本之前，您可能需要使用 chmod +x Miniconda3-latest-Linux-x86_64.sh 命令给予脚本执行权限。
- 安装过程中，您将被提示是否同意许可协议，以及是否将 Miniconda 初始化。一般选择 “yes” 以完成安装和初始化。
- 安装完成后，您可以使用 conda 命令来管理 Python 环境和包。
- 如果链接无法访问或解析失败，可能是由于网络问题或链接本身的问题。请检查网络连接，并确保链接是最新的和有效的。如果问题依旧，请访问 Anaconda 的官方网站获取最新的下载链接。
4. 从github 仓库克隆项目：
- 克隆存储库：
# 克隆项目
git clone https://github.com/jingyaogong/minimind.git请注意，如果 git clone https://github.com/01-ai/Yi-Coder.git 这个链接不存在或者无效，git clone 命令将不会成功克隆项目，并且会报错。确保链接是有效的，并且您有足够的权限访问该存储库。
5. 创建虚拟环境
# 创建一个名为 MiniMind 的新虚拟环境，并指定 Python 版本为 3.9
conda create -n MiniMind python=3.9 -y6. 安装模型依赖库：
- 编辑 requirements.txt
vim requirements.txt- 全部替换为以下代码
datasets
datasketch
flash_attn
Flask
Flask_Cors
jieba
jsonlines
marshmallow
matplotlib
ngrok
nltk
numpy
openai
pandas
peft
psutil
pydantic
rich
scikit_learn
sentence_transformers
simhash
tiktoken
transformers
jinja2
trl
ujson- 切换到项目目录、激活 Yi-Coder 虚拟环境、安装 requirements.txt 依赖
# 切换到项目工作目录
cd /minimind/
# 激活 MiniMind 虚拟环境
conda activate MiniMind
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia
# 在 MiniMind 环境中安装 requirements.txt 依赖
pip install -r requirements.txt
依赖安装成功如下图所示：
7. 下载预训练模型：
- 下载模型
git lfs install
git clone https://hf-mirror.com/jingyaogong/minimind-v1
8. 运行 fast_inference.py 文件
streamlit run fast_inference.py --server.address 0.0.0.0 --server.port 8080
出现以上 bash: streamlit: command not found 报错，需要安装 streamlit 依赖
pip install streamlit
运行 fast_inference.py 文件
# 运行 fast_inference.py 文件
streamlit run fast_infenence.py --server.address '0.0.0.0' --server.port 8080
9. 网页演示
出现以下 Gradio 页面，即是模型已搭建完成。
- 最新
- 最热
只看作者