新手必看：InternLM2-Chat-1.8B的Anaconda环境隔离部署教程

新手必看：InternLM2-Chat-1.8B的Anaconda环境隔离部署教程

你是不是刚接触AI模型，想试试InternLM2-Chat-1.8B，结果被一堆Python包版本冲突搞得头大？或者你电脑上已经有好几个项目，每次运行新模型都担心把旧环境搞乱？

别担心，今天我就带你用一个特别适合新手的“隔离”方法来部署它。这个方法的核心工具叫Anaconda，你可以把它理解成一个“环境管理器”。它能帮你在电脑里创建一个个独立的小房间（环境），每个房间里的Python版本、各种工具包（比如PyTorch）都互不干扰。你在A房间折腾InternLM2，哪怕把包装乱了，也完全不会影响B房间里的其他项目。

这篇文章，我就手把手教你，从零开始，用Anaconda为InternLM2-Chat-1.8B搭建一个专属的、干净的小房间，并成功运行起来。整个过程就像跟着说明书搭积木，一步一步来，保证清晰。

1. 第一步：准备好你的“工具箱”——安装Anaconda

工欲善其事，必先利其器。我们首先得把“环境管理器”Anaconda请到你的电脑上。

1.1 下载Anaconda安装包

1. 打开你的浏览器，访问Anaconda的官方网站。你可以直接搜索“Anaconda”找到它。
2. 在网站上找到下载页面，选择适合你电脑操作系统的版本。如果你是Windows用户，就下载Windows版本；如果是Mac，就选macOS版本。通常选择图形化安装程序（.exe或.pkg文件）对新手最友好。
3. 下载时，建议选择Python 3.9或3.10版本的安装包，这和我们后续要安装的PyTorch等依赖兼容性更好。

1.2 安装并验证

下载完成后，运行安装程序。安装过程基本就是一路“Next”或“继续”，但有几点需要注意：

• 安装路径：建议使用默认路径，或者选一个你容易找到的、路径里没有中文和空格的文件夹。
• 高级选项：在安装的最后一步，通常会有一个“Add Anaconda to my PATH environment variable”的选项。强烈建议你勾选它。这能让你在电脑的任何地方都能方便地使用Anaconda命令。如果安装时忘了勾选，后续需要手动配置，会稍微麻烦一点。

安装完成后，我们来验证一下是否成功。

• Windows用户：打开“开始”菜单，找到并打开“Anaconda Prompt (Anaconda3)”。这是一个专门为Anaconda配置的命令行窗口。
• Mac/Linux用户：打开你的“终端”（Terminal）。

在打开的命令行窗口中，输入以下命令并回车：

conda --version

如果安装成功，你会看到类似conda 23.11.0这样的版本号信息。同时，输入python --version也能看到Python的版本，这说明Anaconda自带的Python也装好了。

恭喜你，最重要的“工具箱”已经就位！

2. 第二步：为模型创建专属“小房间”——配置Conda环境

现在，我们要用Anaconda（conda）来创建那个独立的“小房间”了。

2.1 创建新的隔离环境

在刚才的Anaconda Prompt或终端里，我们输入创建环境的命令。这里我们给这个房间起名叫lm-env，并指定使用Python 3.9：

conda create -n lm-env python=3.9

执行命令后，conda会列出将要安装的包，并问你是否继续 (Proceed ([y]/n)?)，输入y然后回车，它就会自动下载并安装一个干净的Python 3.9环境。

2.2 进入你的专属环境

房间建好了，我们得走进去才能开始布置。使用下面的命令“激活”环境：

conda activate lm-env

激活成功后，你会发现命令行的提示符前面，从(base)变成了(lm-env)。这个变化非常重要，它意味着你之后所有的操作，比如安装包、运行程序，都只在这个lm-env环境里生效，不会影响到电脑上其他地方。

你可以随时用conda deactivate命令退出当前环境，回到基础的(base)环境。

3. 第三步：布置“房间”家具——安装核心依赖

现在我们在lm-env这个干净的环境里，开始安装运行InternLM2所必需的“家具”，主要是PyTorch。

3.1 安装PyTorch

PyTorch是运行大多数AI模型的基石。我们去PyTorch官网查看安装命令是最稳妥的。根据你的电脑是否有NVIDIA显卡（GPU），选择不同的命令。

• 如果你有NVIDIA显卡，并且想用GPU加速（推荐）： 访问PyTorch官网，选择适合你CUDA版本的命令。例如，对于CUDA 11.8，命令可能类似：

  pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

• 如果你没有显卡，或只想用CPU运行： 命令会更简单：

  pip install torch torchvision torchaudio

请注意：请以PyTorch官网生成的最新命令为准。安装完成后，可以在Python里简单验证一下：

import torch print(torch.__version__) # 查看PyTorch版本 print(torch.cuda.is_available()) # 如果返回True，说明GPU可用

3.2 安装其他必要工具包

除了PyTorch，我们还需要一些辅助工具。在(lm-env)环境下，继续用pip安装：

pip install transformers sentencepiece accelerate

• transformers：Hugging Face提供的库，包含了InternLM2等成千上万个预训练模型，是我们加载和运行模型的关键。
• sentencepiece：用于模型分词（理解你的输入文字）。
• accelerate：帮助优化模型在CPU或GPU上的运行效率。

4. 第四步：邀请“主角”入住并对话——运行InternLM2

环境一切就绪，现在让我们把InternLM2-Chat-1.8B模型请进来，并和它打个招呼。

4.1 编写一个简单的对话脚本

在你电脑上找个合适的地方（比如桌面），新建一个文本文件，把它重命名为chat_with_internlm.py。然后用代码编辑器（比如VSCode、记事本++，甚至系统自带的记事本都可以）打开它，把下面的代码复制进去：

# chat_with_internlm.py from transformers import AutoTokenizer, AutoModelForCausalLM # 1. 指定模型名称（Hugging Face上的模型ID） model_name = "internlm/internlm2-chat-1_8b" # 2. 加载分词器和模型 print("正在加载模型，请稍候...这可能需要几分钟，取决于你的网速。") tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True).cuda() # 如果有GPU，用.cuda()放到显卡上 print("模型加载成功！") # 3. 准备对话历史（对于聊天模型，通常需要维护一个历史列表） history = [] # 4. 开始对话循环 print("\n开始与InternLM2对话吧！输入 'quit' 或 '退出' 来结束。") while True: # 获取用户输入 user_input = input("\n你: ") if user_input.lower() in ['quit', '退出', 'exit']: print("对话结束，再见！") break # 将用户输入和历史一起交给模型，生成回复 response, history = model.chat(tokenizer, user_input, history=history) # 打印模型的回复 print(f"\nInternLM2: {response}")

这段代码做了几件事：

1. 告诉程序去 Hugging Face 模型库下载internlm/internlm2-chat-1_8b这个模型。
2. 加载模型和对应的分词器。
3. 设置一个简单的循环，让你可以持续输入问题，并看到模型的回答。

4.2 运行脚本，开始聊天

确保你的命令行窗口还处在(lm-env)环境中。然后，使用cd命令切换到存放chat_with_internlm.py文件的目录。例如，如果你的文件在桌面：

cd Desktop

接着，运行我们的脚本：

python chat_with_internlm.py

第一次运行会下载模型文件（大约3-4GB），需要一些时间，请保持网络通畅。下载完成后，程序会提示“模型加载成功！”。然后你就可以在“你:”的提示后输入任何问题，比如“你好，请介绍一下你自己”，看看InternLM2会如何回答。

5. 总结与后续建议

走完上面四步，你应该已经成功在Anaconda创建的隔离环境里，让InternLM2-Chat-1.8B运行起来了。这个方法最大的好处就是“干净”，你为这个模型安装的所有包，都乖乖待在lm-env这个环境里。以后你玩别的模型，完全可以再创建一个新环境，比如sd-env（玩Stable Diffusion），两个环境互不打扰，再也不用担心包版本打架了。

用下来感觉，对于新手来说，前期花一点时间配置好Anaconda环境，后期能省去很多麻烦。如果中途遇到任何报错，最常见的原因就是网络问题导致包下载失败，或者PyTorch版本与CUDA不匹配。多检查一下命令，或者去网上搜一下具体的错误信息，通常都能找到解决方案。

下次如果你想尝试其他模型，流程也基本一样：创建新环境 -> 激活 -> 安装依赖 -> 运行。祝你玩得开心，探索出更多AI对话的乐趣！

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。