大語言模型的兩種運(yùn)行方法

運(yùn)行

安裝上面的步驟，到這里就全部安裝好了，體驗LLM有兩種方式，一個是直接在shell窗口中以聊天的方式使用，還有一個是通過topic的訂閱和發(fā)布來使用，前者適合體驗，后者適用于實際開發(fā)中。

1. 以聊天窗口運(yùn)行

新開一個shell窗口，執(zhí)行以下命令：

source /opt/tros/setup.bash
ros2 run hobot_llm hobot_llm_chat

下面是我的實際執(zhí)行情況：

root@ubuntu:~# source /opt/tros/setup.bash
root@ubuntu:~# ros2 run hobot_llm hobot_llm_chat
[EasyDNN]: EasyDNN version = 1.6.1_(1.18.6 DNN)
[BPU_PLAT]BPU Platform Version(1.3.3)!
[HBRT] set log level as 0. version = 3.15.25.0
[DNN] Runtime version = 1.18.6_(3.15.25 HBRT)
[A][DNN][packed_model.cpp:234][Model](2023-10-28,13:22:15.818.513) [HorizonRT] The model builder version = 1.20.1
[A][DNN][packed_model.cpp:234][Model](2023-10-28,13:22:31.97.703) [HorizonRT] The model builder version = 1.20.1
[A][DNN][packed_model.cpp:234][Model](2023-10-28,13:22:48.727.231) [HorizonRT] The model builder version = 1.20.1
[A][DNN][packed_model.cpp:234][Model](2023-10-28,13:23:06.393.996) [HorizonRT] The model builder version = 1.20.1
[A][DNN][packed_model.cpp:234][Model](2023-10-28,13:23:24.4.230) [HorizonRT] The model builder version = 1.20.1
[A][DNN][packed_model.cpp:234][Model](2023-10-28,13:23:31.997.90) [HorizonRT] The model builder version = 1.20.1
None of PyTorch, TensorFlow >= 2.0, or Flax have been found. Models won't be available and only tokenizers, configuration and file/data utilities can be used.
這是一個地平線RDK平臺大模型聊天程序，請輸入你的問題并按下回車，如需重新開始請輸入reset，如需退出請輸入exit
> >> 用戶：

可以看到最后已經(jīng)可以在shell窗口中進(jìn)行聊天了

下面幾段內(nèi)容是我跟這個LLM實際對話的過程，還是挺有意思的，可以仔細(xì)看一下

>> > 用戶：介紹一下自己
 >> > 機(jī)器人：我是一名AI語言模型，可以回答各種問題。我能夠理解并回答各種語言問題，包括中文、英文、法語、德語、日語、韓語、俄語、西班牙語、中文等。我能夠處理各種類型的問題，包括事實、情感、邏輯、問題答案等。我能夠根據(jù)用戶輸入的問題進(jìn)行回答，并提供相關(guān)信息和建議。我是一臺智能機(jī)器，可以不斷學(xué)習(xí)和進(jìn)步。我能夠幫助用戶解決各種問題，提供幫助和
 >> > 用戶：你現(xiàn)在是一名機(jī)器人開發(fā)工程師 ，請你完成我給你的任務(wù)
 >> > 機(jī)器人：好的！我會盡力完成您的任務(wù)。請問您的任務(wù)是什么呢？
 >> > 用戶：ros2 topic pub --once /text_query std_msgs/msg/String "{data: ""中國的首都是哪里""}"   ；這是 一行ros2中想一個topic發(fā)布消息的命令，請你改寫成Python代碼
 >> > 機(jī)器人：好的！請看以下Python代碼：```pythonimport reimport stringprint("

這段對話里面，一開始的自我介紹還是挺好的，很有調(diào)理，也挺“擬人”的。

后面我希望它充當(dāng)一個機(jī)器人開發(fā)工程師并給出一個實際任務(wù)的時候，它也有嘗試回答，但是沒有回答完整，看起來像是上下文達(dá)到了限制，被終止了

下面是第二段對話

用戶：中國的首都在哪里？

機(jī)器人：北京。

用戶：安徽的省會在哪里

機(jī)器人：安徽的省會位于六安市。

用戶：中國的首都在哪里？請你把這句話翻譯成英文

機(jī)器人：What is the capital of the Chinese People's Republic?

用戶：你覺得你翻譯的準(zhǔn)確 嗎？

機(jī)器人：The capital of the Chinese People's Republic is Beijing.

我先是問中國首都在哪里，這個問題回答是正確的，但是問到安徽的省會的時候就開始“瞎編”了，

后面讓它翻譯“中國的首都在哪里？”這句話，應(yīng)該用where問句還是不what問句。

總得來說，目前情況下，不能指望這個LLM充當(dāng)生產(chǎn)力工具，只能當(dāng)一個玩具，但是，隨著算法和硬件的發(fā)展，不久的將來，很可能出現(xiàn)這種可以在端側(cè)部署和運(yùn)行且效果很好的大模型，到時候真的就是人手一個大模型了。

2. 通過topic訂閱來運(yùn)行

前面提到過hobot_llm有可以通過topic訂閱和發(fā)布的方式來使用，我這里給出Python通過topic訂閱和發(fā)布的代碼：

發(fā)布消息的代碼：

import rclpy
from std_msgs.msg import String


def main():
    # 初始化ROS節(jié)點
    rclpy.init()


    # 創(chuàng)建一個節(jié)點，節(jié)點名為"simple_publisher"
    node = rclpy.create_node('simple_publisher')


    # 創(chuàng)建publisher, 指定主題名稱為"/text_query", 數(shù)據(jù)類型為std_msgs/String，隊列長度為10
    publisher = node.create_publisher(String, '/text_query', 10)


    # 準(zhǔn)備要發(fā)送的數(shù)據(jù)
    msg = String()
    msg.data = "中國的首都是哪里"


    # 發(fā)布該數(shù)據(jù)
    publisher.publish(msg)


    # 清理并關(guān)閉節(jié)點
    node.destroy_node()
    rclpy.shutdown()


if __name__ == '__main__':
    main()

訂閱的代碼：

import rclpy
from std_msgs.msg import String


def callback(msg):
    print('Received message: "%s"' % msg.data)


def main():
    # 初始化ROS節(jié)點
    rclpy.init()


    # 創(chuàng)建一個節(jié)點，節(jié)點名為"simple_subscriber"
    node = rclpy.create_node('simple_subscriber')


    # 創(chuàng)建subscriber, 指定主題名稱為"/text_result", 數(shù)據(jù)類型為std_msgs/String，并綁定回調(diào)函數(shù)callback
    subscriber = node.create_subscription(String, '/text_result', callback, 10)


    # 在 ROS 內(nèi)部循環(huán)處理消息，并等待新消息到來
    rclpy.spin(node)


    # 清理并關(guān)閉節(jié)點
    node.destroy_node()
    rclpy.shutdown()


if __name__ == '__main__':
    main()