概要

使用llama-cpp-python制作api接口，可以接入gradio当中，参考上一节。
llama-cpp-python的github网址

整体操作流程

1. 下载llama-cpp-python。首先判断自己是在CPU的环境下还是GPU的环境下。以下操作均在魔搭提供的免费GPU环境下。

#CPU
pip install llama-cpp-python
#GPU
CMAKE_ARGS="-DGGML_CUDA=on FORCE_CMAKE=1" pip install llama-cpp-python --no-cache-dir

2. 启动服务
   模型可以采用量化的版本，也可以采用原版本大小，看自己的硬件环境。

# 模型注意力层有32层，cpu8核，可以自己修改。
python -m llama_cpp.server --model 模型路径/模型名称.bin --n_gpu_layers 32 --m_thread 8

在魔搭上启动可能报错如下：


这也就是缺少依赖包，解决如下：

pip install starlette-context
pip install pydantic-settings

成功启动后会显示：

3. 测试一下能不能行
   api_key 随便写，一个模板而已，因为是自己构建的api。
   base_url 就是上面图所示的，为什么加v1等会在下面解释 端口号自己可以改的，在启动服务的时候设置。

!pip install -q openai
import openai

openai.api_key = 'qqqqqqqqqqqqqqqqqq'  
openai.base_url = "http://localhost:8000/v1/"  
#模型参数设置
completion = openai.completions.create(
    model="llama",
    max_tokens=256,   
    top_p = 0.2,
    temperature = 0.6,
    prompt="出现了黄疸、恶心、呕吐等症状，可能患了什么疾病？",
)
print(completion.choices[0].text)

因为采用的是量化后模型，反应速度也算比较快了，用时2.6s。

技术细节

• API的接口缘由可以查看github中的llama_cpp/server/app.py，有详细的路由解释。

小结

至此完成了一个整体流程：从微调到量化到部署到api最终显示在网页上，涉及到的技术很多，还有很多细节需要学习，记录一下美好的时光，希望有个好的结果。敬礼！！！