-- 知识铺

文章目录

前言

本文使用的GPU服务器为UCloud GPU服务器30块使用7天，显卡Tesla P40

一、显卡驱动配置

1.检测显卡

首先检查有没有驱动

1

nvidia-smi

没有驱动则安装

检测你的NVIDIA图形卡和推荐的驱动程序的模型。执行命令：

1

ubuntu-drivers devices

输出结果为

在这里插入图片描述

从中可以看到，这里有一个设备是Tesla P30。对应的驱动是550。不同驱动不同时间，有时候会有几个可选的，建议选择其中推荐的。

2.安装驱动

你可以选择，安装所有推荐的驱动，如下命令

1

sudo ubuntu-drivers autoinstall

也可以直接安装最新的

1

sudo apt install nvidia-driver-550

运行nvidia-smi查看驱动信息

在这里插入图片描述

执行命令完成后都能看到CUDA版本、显存大小，表示安装成功

二、安装nvidia-docker

请先确保安装docker。此处不在展示docker安装
Nvidia Docker 是专门针对使用 Nvidia GPU 的容器应用程序而设计的 Docker 工具。它允许用户在容器中使用 Nvidia GPU 进行加速计算，并提供了与 Nvidia GPU 驱动程序和 CUDA 工具包的集成。

地址：https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html#installing-with-apt

配置生产存储库：

1

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \ && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \ sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

（可选）配置存储库以使用实验性软件包：

1

sed -i -e '/experimental/ s/^#//g' /etc/apt/sources.list.d/nvidia-container-toolkit.list

从存储库更新软件包列表：

1

sudo apt-get update

安装 NVIDIA Container Toolkit 软件包：

1

sudo apt-get install -y nvidia-container-toolkit

如果出现Warning: apt-key is deprecated. Manage keyring files in trusted.gpg.d instead (see apt-key(8)).

使用get.docker.com脚本安装Docker，并且在执行过程中遇到了"apt-key is deprecated. Manage keyring files in trusted.gpg.d instead (see apt-key(8)).“的警告消息。这是因为apt-key命令已经被弃用，现在应该使用trusted.gpg.d目录来管理密钥文件。

1

sudo apt-get update curl -fsSL https://download.docker.com/linux/debian/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/debian $(lsb_release -cs) stable"

配置 Docker
使用以下命令配置容器运行时nvidia-ctk：

1

sudo nvidia-ctk runtime configure --runtime=docker

该nvidia-ctk命令会修改/etc/docker/daemon.json主机上的文件。文件已更新，以便 Docker 可以使用 NVIDIA 容器运行时。

重新启动 Docker 守护进程：

1

sudo systemctl restart docker

验证
拉取镜像进行验证

1

docker pull registry.cn-chengdu.aliyuncs.com/rundreams-open/nvidia_tritonserver:21.10-py31

启动docker验证进行：

1

docker run -it --gpus all registry.cn-chengdu.aliyuncs.com/rundreams-open/nvidia_tritonserver:21.10-py3 /bin/bash

在这里插入图片描述

二、安装Xinference

官网：https://inference.readthedocs.io/zh-cn/latest/index.html

docker部署官方文档：https://inference.readthedocs.io/zh-cn/latest/getting_started/using_docker_image.html

如果不想用docker安装可以查看我另外一篇博客里边记录了Xinference安装及问题：https://blog.csdn.net/qq_43548590/article/details/142251544

1.拉取镜像

运行命令拉取镜像

1

docker pull registry.cn-hangzhou.aliyuncs.com/xprobe_xinference/xinference

2.运行Xinference

创建目录

1

#用于挂载数据 mkdir -p /usr/java/docker/xinference/data #用于挂载本地模型 mkdir -p /usr/java/docker/xinference/models

运行Xinference

将挂载目录换为自己的
1180ac777a10换位自己的镜像ID。使用docker images查看

1

docker run \ --name xinference \ -e XINFERENCE_MODEL_SRC=modelscope \ -p 9997:9997 \ -v /usr/java/docker/xinference/data/.xinference:/root/.xinference \ -v /usr/java/docker/xinference/data/.cache/huggingface:/root/.cache/huggingface \ -v /usr/java/docker/xinference/data/.cache/modelscope:/root/.cache/modelscope \ -v /usr/java/docker/xinference/models:/data/models \ --gpus all 1180ac777a10 xinference-local -H 0.0.0.0 --log-level debug

浏览器访问xinference地址：http://IP:9997/

在这里插入图片描述

3.模型部署

1.从xinference中下载模型部署
选择我们需要部署的模型，比如我这里选择Qwen2进行部署。填写相应的参数，进行一键部署。第一次部署会下载模型，可以选择国内通道modelscope下载，速度较快。

在这里插入图片描述

2.添加本地模型部署
点击Register Model 填写相应的信息

在这里插入图片描述

如果本地上传到服务器模型使用unzip解压大文件报错需要设置环境变量

1

UNZIP_DISABLE_ZIPBOMB_DETECTION=TRUE export UNZIP_DISABLE_ZIPBOMB_DETECTION

三、安装Dify

官网：https://dify.ai/zh
Github开源地址：https://github.com/langgenius/dify

1.下载源代码

克隆 Dify 源代码至本地环境。

1

git clone https://github.com/langgenius/dify.git

2.启动 Dify

进入 Dify 源代码的 Docker 目录

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37


    cd dify/docker
    ```  

    
2.  复制环境配置文件
    
      
```bash
    cp .env.example .env
    ```  

    
3.  启动 Docker 容器  
    根据你系统上的 Docker Compose 版本，选择合适的命令来启动容器。你可以通过 $ docker compose version 命令检查版本，详细说明请参考 Docker 官方文档：
    
    如果版本是 Docker Compose V2，使用以下命令：
    
      
```bash
    docker compose up -d
    ```  

    
    如果版本是 Docker Compose V1，使用以下命令：
    
      
```bash
    docker-compose up -d
    ```  

    

检查是否所有容器都正常运行：

  
```bash
docker compose ps

在这个输出中，你应该可以看到包括 3 个业务服务 api / worker / web，以及 6 个基础组件 weaviate / db / redis / nginx / ssrf_proxy / sandbox 。

在这里插入图片描述

3.访问 Dify

你可以先前往管理员初始化页面设置设置管理员账户：
http://your_server_ip/install

Dify 主页面：
http://your_server_ip

在这里插入图片描述

四、Dify构建应用

Dify 中提供了四种应用类型：

聊天助手：基于 LLM 构建对话式交互的助手
文本生成：构建面向文本生成类任务的助手，例如撰写故事、文本分类、翻译等
Agent：能够分解任务、推理思考、调用工具的对话式智能助手
工作流：基于流程编排的方式定义更加灵活的 LLM 工作流

文本生成与聊天助手的区别见下表：

	文本生成	聊天助手
WebApp 界面	表单+结果式	聊天式
WebAPI 端点	completion-messages	chat-messages
交互方式	表单+结果式	多轮对话
流式结果返回	支持	支持
上下文保存	当次	持续
用户输入表单	支持	支持
数据集与插件	支持	支持
AI 开场白	不支持	支持
情景举例	翻译、判断、索引	聊天

1.配置模型供应商

点击头像 > 设置 > 模型供应商

我这里已经配置了Xinference和Ollama

在这里插入图片描述

在设置 > 模型供应商 > Xinference 中填入：

模型名称：glm4
服务器 URL：http://:9997 替换成您的机器 IP 地址
模型UID：glm4

“保存” 后即可在应用中使用该模型。

在这里插入图片描述

2.聊天助手

对话型应用采用一问一答模式与用户持续对话

对话型应用可以用在客户服务、在线教育、医疗保健、金融服务等领域。这些应用可以帮助组织提高工作效率、减少人工成本和提供更好的用户体验。

在首页点击 “创建应用” 按钮创建应用。填上应用名称，应用类型选择聊天助手。

在这里插入图片描述

创建应用后会自动跳转到应用概览页。点击左侧菜单编排来编排应用。

我这里编排了一个面试官提示词并且添加了开场白。

在这里插入图片描述

3.Agent

智能助手（Agent Assistant），利用大语言模型的推理能力，能够自主对复杂的人类任务进行目标规划、任务拆解、工具调用、过程迭代，并在没有人类干预的情况下完成任务。

你可以在 “提示词” 中编写智能助手的指令，为了能够达到更优的预期效果，你可以在指令中明确它的任务目标、工作流程、资源和限制等。

这里我使用Tavily进行搜索https://tavily.com/

在这里插入图片描述

文章目录

文章目录

前言

一、显卡驱动配置

1.检测显卡

2.安装驱动

二、安装nvidia-docker

二、安装Xinference

1.拉取镜像

2.运行Xinference

3.模型部署

三、安装Dify

1.下载源代码

2.启动 Dify

3.访问 Dify

四、Dify构建应用

1.配置模型供应商

2.聊天助手

3.Agent

See Also

最近文章

分类

标签

友情链接

其它