今天给大家分享如何在矩池云服务器使用 Llama2-7b模型。
硬件要求
矩池云已经配置好了 Llama 2 Web UI 环境，显存需要大于 8G，可以选择 A4000、P100、3090 以及更高配置的等显卡。
租用机器
在矩池云主机市场：https://matpool.com/host-market/gpu ，选择显存大于 8G 的机器，比如 A4000 显卡，然后点击租用按钮（选择其他满足显存要求的显卡也行）。
租用页面，搜索 Llama 2 Web UI，并选择该镜像，再 点击租用即可。
预装：Ubuntu20.04, Python 3.9, Pytorch 2.0, Llama-2-7b-chat-hf, Llama2-webui, CUDA 11.7, cuDNN 8, NVCC(默认开启 LOAD_IN_8BIT，仅支持显存 8G 以上显卡，开机自启Llama2-webui 服务在 7860 端口)
Llama2-webui 来自开源项目：https://github.com/liltom-eth/llama2-webui
机器租用成功后，可以看到 7860 端口的对应链接，这是 Llama2-webui 默认的端口，镜像已经设置了开机自启，也就是说你现在可以直接访问这个链接，开始使用 Llama2-7B啦。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Ek8xz41u-1690883663833)(https://files.mdnice.com/user/2046/ed374f26-ac8f-4206-bde3-084844bc53f5.png)]
使用 Llama2-webui
点击租用页面中的 7860 端口对应链接即可访问相关服务。
在页面中的Advanced options中我们可以进行一些设置，比如：系统角色、回复内容的最长长度等。
在上面的问题中我们可以发现，即使给他设置了中文回复，但回复结果仍然用的英文，另外他确实理解了我的问题，并接受了设置的角色。
关闭 LOAD_IN_8BIT，推理更快
这个镜像自启服务中默认开启了 LOAD_IN_8BIT ，这样可以使推理时占用更少的显存，但也会花费更长的时间，所以，如果你租用的是 13G 以上显存机器，可以按以下方法关闭 LOAD_IN_8BIT 重新运行服务，以获得更快的推理速度。
点击租用页面：JupyterLab 链接。
新建一个 terminal，输入ps aux | grep app.py查看相关服务进程id，并使用kill指令结束进程。
JupyterLab 左侧目录导航栏打开llama2-webui项目文件夹下的envfile文件，将里面的LOAD_IN_8BIT = True改成LOAD_IN_8BIT = False，然后按 ctrl+s 保存文件。
回到 terminal，输入以下指令重新启动 Llama2-webui 服务。
cd /llama2-webui/
nohup python -u app.py > /llama2-webui/run_log.log 2>&1 &
# 查看程序运行日志
tail -f run_log.log
等模型加载完成，即可再次访问租用页面 7860 端口连接，使用服务了。
中文迭代效果依然有限，不过迭代速度和效果好了不少。
