This project is deprecated. Use LLM-TPU instead. Thank you.
本项目实现BM1684X部署语言大模型ChatGLM3-6B。通过TPU-MLIR编译器将模型转换成bmodel，并采用c++代码将其部署到BM1684X的PCIE环境，或者SoC环境。
在知乎上写了关于ChatGLM的解读，方便大家理解源码：
- 下载docker，启动容器，如下：
docker pull sophgo/tpuc_dev:latest
# myname1234 is just an example, you can set your own name
docker run --privileged --name myname1234 -v $PWD:/workspace -it sophgo/tpuc_dev:latest后文假定环境都在docker的/workspace目录。
- 下载
ChatGLM3-6B，比较大，会花较长时间
git lfs install
git clone [email protected]:THUDM/chatglm3-6b并对该工程做三点修改：
-
将
config.json文件中seq_length配置为512； -
将
modeling_chatglm.py文件中的如下代码：
if attention_mask is not None:
attention_scores = attention_scores.masked_fill(attention_mask, float("-inf"))修改为：
if attention_mask is not None:
attention_scores = attention_scores + (attention_mask * -10000.0)这样修改可以提升效率，使用masked_fill效率低下；另一方面masked_fill转ONNX存在些bug。
- 将
modeling_chatglm.py文件中的如下代码：
pytorch_major_version = int(torch.__version__.split('.')[0])
if pytorch_major_version >= 2:修改为：
pytorch_major_version = int(torch.__version__.split('.')[0])
if False:这是因为ONNX无法支持torch.nn.functional.scaled_dot_product_attention算子的转换。
- 下载
TPU-MLIR代码并编译，(也可以直接下载编译好的release包解压)
git clone [email protected]:sophgo/tpu-mlir.git
cd tpu-mlir
source ./envsetup.sh
./build.sh- 下载本项目
ChatGLM3-TPU，如下：
git clone [email protected]:sophgo/ChatGLM3-TPU.git- 指定
ChatGLM3-6B的python路径
export PYTHONPATH=/workspace/chatglm3-6b:$PYTHONPATH- 导出所有onnx模型，如果过程中提示缺少某些组件，直接
pip install 组件即可
cd ChatGLM3-TPU/compile
python3 export_onnx.py此时有大量onnx模型被导出到tmp目录。
- 对onnx模型进行编译
目前TPU-MLIR支持对ChatGLM3进行F16、INT8和INT4量化，且支持多芯分布式推理，默认情况下会进行F16量化和单芯推理，最终生成chatglm3-6b.bmodel文件
./compile.sh若想进行INT8或INT4量化，则执行以下命令，最终生成chatglm3-6b_int8.bmodel或chatglm3-6b_int4.bmodel文件，如下命令：
./compile.sh --mode int8 # or int4若想进行2芯推理，则执行以下命令，最终生成chatglm3-6b_f16_2dev.bmodel文件，4芯8芯同理：
./compile.sh --num_device 2执行如下编译，默认是PCIE版本：
cd ChatGLM3-TPU/demo
mkdir build
cd build
cmake ..
make如果是SoC版本，有两种编译方法：
方法1：直接将demo目录拷贝到SoC环境，按以上步骤编译(推荐)
方法2：docker中交叉编译，如下操作
wget https://releases.linaro.org/components/toolchain/binaries/7.5-2019.12/aarch64-linux-gnu/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu.tar.xz
tar -xvf gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu.tar.xz
mv gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu /opt/aarch64-linux-gnu-7.5.0
cd ChatGLM3-TPU/demo
mkdir build
cd build
cmake .. -DTARGET_ARCH=soc
make -j
编译生成chatglm可执行程序，将chatglm放到/ChatGLM3-TPU/demo目录下，同时按照下列方式指定芯片数量和bmodel路径。
运行chatglm，默认单芯运行chatglm3-6b.bmodel:
./chatglm --model chatglm3-6b.bmodel如果是要运行INT8或INT4模型，则命令如下：
./chatglm --model chatglm3-6b_int8.bmodel # same with int4如果是2芯分布式推理，使用如下命令(比如指定在2号和3号芯片上运行, 用source /etc/profiel后使用bm-smi查询芯片id号)：
./chatglm --model chatglm3-6b_f16_2dev.bmodel --devid 2,3pip install gradio==3.39.0
cd ChatGLM3-TPU/web_demo
mkdir build
cd build
cmake ..
make -j编译成功会生成libtpuchat.so*, 在web_demo.py中指定bmodel_path token_path device_id, lib_path(编译生产的.so文件), 以及dev_id。
python web_demo.py --dev 0 --bmodel_path your_bmodel_path即可成功运行web的demo。
如果是SoC环境，参考C++版本
PS：尽量下载gradio==3.39.0版本，不然会出现各种问题！！
以下为单芯片下INT8量化模式的运行效果：
工程中已经有编译好的，所以不需要编译，如果好奇的话，参考如下步骤。
下载sentencepiece，并编译得到libsentencepiece.a
git clone [email protected]:google/sentencepiece.git
cd sentencepiece
mkdir build
cd build
cmake ..
make -j如果要编译SoC环境，则参考demo的编译方式，在makefile中指定交叉编译器
如果demo程序拷贝到运行环境提示无法运行，比如接口找不到等等错误。
原因是运行环境的库有所不同，将demo中的lib_pcie（PCIE）或者 lib_soc(SoC)里面的so文件拷贝到运行环境，链接到里面的so即可。
参考：工具调用