【LLM大模型】一个小时内快速部署大模型

news2024/9/19 9:36:38

这个教程有以下几部分构成：

硬件配置
概念介绍
实操
测试结果

1.硬件配置

本文使用的方法配置要求低，没有gpu也可以正常使用(就是有点慢)，不管是windows 还是linux，都可以无障碍使用大模型，有脚就行，废话少说， let’s rock!

2.概念介绍

几个部署要用到的概念，工具和项目

hugging face:
类似于模型的github，各种各样的开源模型都可以在这被找到.
模型量化技术：
这也是我们能够在低端设备上部署模型的关键理论，降低加载模型的精度使得内存、显存使用量更低.
3.GGUF
这是一种用来高效存储模型的格式，方便快速加载和传输.
llama.cpp
这个工具十分强大，即使没有gpu，也可以使用cpu自带的simd指令集（类似于avx512）进行快速推理，也可以同时使用gpu和cpu一起推理。它也可以被编译到App中，在客户端本地进行推理. 也可以变身为一个chatgpt api兼容的web服务器。总之可玩性非常强.

3.实操

1)hugging face的使用(别的也行，方法类似)：

（点点点）
这里就不再对各大厂商发布的模型做介绍了，可以去官网上选择自己合适的。
举个例子，可以通过翻越某种保护性建筑（高约2m）的方式，访问下面的这个地址，查看google开源的gemma 2模型（it 表示这是对指令微调过的, -GGUF表示这是被转化成GGUF格式的），其中不同等级的经过量化的文件和他们的效果都在表格中，可以选择合适自己的。
在这里插入图片描述

https://huggingface.co/bartowski/gemma-2-9b-it-GGUF
下载下来的文件是个GGUF格式的文件。

2)llama.cpp（别的也行，方法类似）

(conrol c + control v)
https://github.com/ggerganov/llama.cpp
如果你有支持cuda的gpu，需要加一个编译时参数（需要重新编译项目）来加速推理过程，可以看看这个教程
https://github.com/ggerganov/llama.cpp/blob/master/docs/build.md#cuda
如果没有GPU下个符合自己电脑架构的release版就可以了

4.检验成果

1) 简单对话机器人

llama-cli -m 你的gguf文件名 -p “You are a helpful assistant” -cnv

2）作为一个服务器使用

使用命令
./llama-server -m 你的gguf文件名 --port 8080

3)gpu参数

-ngl 35，后面数字越大，代表越多层被移进gpu，随之而来的是速度越快。
还有挺多玩法，可以看看github上的补充细节，相信你们能做到，呵呵。

测试结果

本人在一台gpu虚拟化（显存6GB P40)的linux虚拟机上（内存32GB，30虚拟核心）使用5bit量化的gemma2-9b-it模型，速度可以达到10tokens/s，考虑到垃圾的硬件配置，这个速度可以说是不错了。

要是还有什么别的需求，可以给我留言，我再针对一些详细的玩法，比如说构建前端啦，后端啦，chatgpt api之类的，写点文章。帮助大家打破信息茧房。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套《LLM大模型入门+进阶学习资源包》，扫码获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍