5分钟搞定RexUniNLU部署：Windows11环境配置教程-深圳市維司達科技有限公司

5分钟搞定RexUniNLU部署：Windows11环境配置教程

你是不是也对那些能自动分析文本、抽取信息的AI模型感到好奇，但又觉得在Windows上部署这些“大家伙”特别麻烦？一想到要装驱动、配环境、下模型，头都大了。

别担心，今天我就带你走一遍，用最简单直接的方法，在Windows 11上把RexUniNLU这个强大的中文文本理解模型跑起来。整个过程，从零开始到看到第一个结果，真的只要几分钟。你不需要是AI专家，甚至不需要懂太多Python，跟着步骤来就行。

RexUniNLU是个挺有意思的模型，它最大的特点就是“零样本”。什么意思呢？就是你不用给它准备一大堆标注好的数据去训练，直接告诉它你想干什么，比如“从这段话里找出人名和地名”，它就能给你结果。这对于想快速试试AI能力，或者处理一些临时性文本分析任务的朋友来说，简直太方便了。

咱们的目标很明确：在Windows 11上，准备好环境，把模型装好，然后跑一个最简单的例子，亲眼看看它的效果。准备好了吗？咱们开始。

1. 环境准备：驱动与Python

万事开头难，但咱们把开头简化。要让模型跑起来，尤其是想用上显卡加速（这样会快很多），只需要搞定两件事：显卡驱动和Python环境。

1.1 检查并更新NVIDIA显卡驱动

如果你的电脑有NVIDIA的独立显卡（比如GTX或RTX系列），那恭喜你，可以享受加速了。第一步是确保驱动是最新的。

右键点击桌面空白处，选择“NVIDIA 控制面板”。
点击左下角的“系统信息”。
在弹出的窗口里，记下你的“驱动程序版本”。比如551.86。
打开浏览器，访问NVIDIA官网的驱动程序下载页面。
根据你的显卡型号（可以在上一步的“系统信息”里看到，比如GeForce RTX 4060）和操作系统（Windows 11），选择最新的“Game Ready驱动”进行下载并安装。安装过程就是一路“下一步”，安装完成后重启一下电脑。

这一步是为了确保PyTorch（后面要用的深度学习框架）能正确识别并使用你的显卡。没有NVIDIA显卡也没关系，模型照样能用CPU跑，只是速度会慢一些。

1.2 安装Python与包管理工具

接下来是安装Python。这里我强烈推荐使用Miniconda，它是一个轻量级的Python环境管理工具，能让你轻松创建独立的Python环境，避免各种包版本冲突。

访问Miniconda的下载页面。
下载适用于Windows 64位的Python 3.10版本安装包。选3.10是因为它和后续要安装的PyTorch等库兼容性比较好。
运行下载好的.exe文件。安装时，记得勾选“Add Miniconda3 to my PATH environment variable”（将Miniconda3添加到系统PATH环境变量）。这样以后在命令行里就能直接用了。
安装完成后，打开“开始”菜单，搜索并打开“Anaconda Prompt (miniconda3)”。你会看到一个命令行窗口。

现在，我们来创建一个专门用于RexUniNLU的Python环境：

conda create -n rexuninlu python=3.10 -y

这条命令创建了一个名叫rexuninlu的新环境，里面预装了Python 3.10。-y参数表示自动确认。

创建好后，激活这个环境：

conda activate rexuninlu

激活后，命令行提示符前面会变成(rexuninlu)，表示你现在已经在这个独立的环境里操作了，接下来安装的所有东西都不会影响你电脑上其他的Python项目。

2. 安装核心依赖：PyTorch与ModelScope

环境准备好了，现在来安装运行模型必需的“发动机”和“工具箱”。

2.1 安装PyTorch（带CUDA支持）

PyTorch是当前最主流的深度学习框架之一，RexUniNLU就是基于它构建的。我们安装支持CUDA（也就是能用NVIDIA显卡加速）的版本。

在刚才已经激活的(rexuninlu)环境中，运行以下命令：

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

这个命令会安装PyTorch及其相关的视觉和音频库，并指定从CUDA 11.8的版本仓库下载，兼容性比较广。

安装完成后，可以验证一下PyTorch是否能识别你的显卡。在同一个命令行里，输入python进入Python交互模式，然后输入：

import torch print(torch.__version__) # 打印PyTorch版本 print(torch.cuda.is_available()) # 打印True表示显卡可用

如果第二行打印出True，那么恭喜你，显卡加速已经就绪！如果显示False，则可能是驱动问题或没有NVIDIA显卡，模型将使用CPU运行。

输入exit()退出Python交互模式。

2.2 安装ModelScope

ModelScope（魔搭）是阿里云推出的一个模型开源社区和工具平台，RexUniNLU的官方模型就托管在上面。它的pipeline功能能极大简化我们调用模型的过程。

安装命令很简单：

pip install modelscope

这个命令会安装ModelScope核心库以及一些必要的依赖。

3. 快速上手：你的第一个文本分析

最激动人心的部分来了！我们现在就用几行代码，让RexUniNLU开始工作。

3.1 编写运行脚本

在你电脑上找个方便的位置，比如桌面，新建一个文本文件，命名为first_try.py。然后用记事本或任何代码编辑器（比如VSCode）打开它，把下面的代码复制进去：

from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks # 创建一条自然语言理解流水线，指定任务和模型 # 这里我们使用零样本通用理解任务，并加载中文base模型 nlp_pipeline = pipeline(Tasks.siamese_uie, 'damo/nlp_structbert_siamese-uninlu_chinese-base') # 准备我们要分析的文本 text_to_analyze = '北京时间2023年5月15日，阿里巴巴集团宣布在杭州成立人工智能研究院，由资深科学家李华博士担任院长。' # 定义我们想让模型做的事情：找出文本中的“人物”和“组织机构” schema = { '人物': None, # None表示让模型自动抽取 '组织机构': None } # 将文本和任务指令交给模型处理 result = nlp_pipeline(text_to_analyze, schema=schema) # 打印出模型分析的结果 print("分析文本：", text_to_analyze) print("\n模型识别结果：") print(result)

这段代码做了以下几件事：

从ModelScope中导入pipeline工具和任务定义。
创建一条专门处理“通用信息抽取”任务的流水线，并自动从云端下载RexUniNLU模型。
定义了一段示例新闻文本。
定义了一个schema（模式），明确告诉模型：“请从文本里找出所有‘人物’和‘组织机构’。”
调用流水线，得到分析结果并打印出来。

3.2 运行并查看结果

保存好first_try.py文件。回到之前的“Anaconda Prompt”命令行窗口，确保你还在(rexuninlu)环境中。

使用cd命令切换到你的脚本所在的目录。例如，如果脚本在桌面：

cd C:\Users\你的用户名\Desktop

然后运行脚本：

python first_try.py

第一次运行时会自动从ModelScope平台下载模型文件，可能需要等待一两分钟（取决于你的网速）。下载完成后，模型就会开始分析文本。

你会看到类似下面的输出：

分析文本： 北京时间2023年5月15日，阿里巴巴集团宣布在杭州成立人工智能研究院，由资深科学家李华博士担任院长。 模型识别结果： {'人物': [{'span': '李华', 'start': 41, 'end': 43}], '组织机构': [{'span': '阿里巴巴集团', 'start': 5, 'end': 11}, {'span': '人工智能研究院', 'start': 22, 'end': 29}]}

看！模型成功地从短短一句话里找出了“李华”这个人物，以及“阿里巴巴集团”和“人工智能研究院”这两个组织机构。span是识别出的文本片段，start和end是它在原文中的位置索引。

4. 试试更多玩法

跑通第一个例子，是不是觉得挺简单的？RexUniNLU的能力远不止于此。它就像一个多功能的文本瑞士军刀，通过改变schema，就能执行不同的任务。我们再来试两个常见的。

4.1 关系抽取：谁和谁是什么关系？

关系抽取就是找出文本中实体之间的关系。新建一个relation_extraction.py文件，代码如下：

from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks nlp_pipeline = pipeline(Tasks.siamese_uie, 'damo/nlp_structbert_siamese-uninlu_chinese-base') text = '马云是阿里巴巴集团的创始人，他同时也担任了浙江大学的名誉教授。' # 定义关系抽取的schema：我们关心“人物”，以及他们与“组织机构”之间的“职位”关系 schema = { '人物': { '创始人(组织机构)': None, # 人物是哪个组织的创始人 '名誉教授(组织机构)': None # 人物是哪个组织的名誉教授 } } result = nlp_pipeline(text, schema=schema) print("文本：", text) print("\n关系抽取结果：") print(result)

运行这个脚本，模型会尝试找出“马云”与“阿里巴巴集团”之间的“创始人”关系，以及与“浙江大学”之间的“名誉教授”关系。

4.2 情感与属性抽取：评价里的好与坏

这个功能特别适合分析商品评论、用户反馈。新建sentiment_analysis.py：

from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks nlp_pipeline = pipeline(Tasks.siamese_uie, 'damo/nlp_structbert_siamese-uninlu_chinese-base') # 一段手机评论 review = '这款手机的拍照效果非常出色，夜景模式很强，但是电池续航有点短，一天要充两次电。' # 让模型找出评论中提到的属性（比如拍照、电池）以及对应的评价词 schema = { '属性词': { '情感词': None, # 找出描述每个属性的情感词 } } result = nlp_pipeline(review, schema=schema) print("用户评论：", review) print("\n属性-情感分析结果：") print(result)

运行后，模型可能会识别出“拍照效果”对应“出色”、“夜景模式”对应“很强”、“电池续航”对应“短”。这样你就快速得到了用户对产品各个维度的评价摘要。