手把手教你轻松本地部署Llama3，个人电脑也能极速运行

于 2024-09-12 21:00:02 发布
阅读量429 收藏 6
点赞数 21
文章标签： LLM langchain 自然语言处理 大模型 人工智能 AI大模型 Llama3
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_81888214/article/details/142185836
版权

在教大家部署Llama3之前，先要带大家了解一个概念：Ollama。

Ollama是什么？

Ollama是一个用于在本地计算机上运行大型语言模型（LLMs）的命令行工具。它允许用户下载并本地运行像Llama 3、Code Llama等模型，并支持自定义和创建自己的模型。

Ollama是免费开源的项目，支持macOS和Linux操作系统和Windows系统。它还提供了官方的Docker镜像，使用户可以通过Docker容器部署大型语言模型，确保所有与模型的交互都在本地进行，无需将私有数据发送到第三方服务。

安装

理解了Ollama是什么之后，让我们到官网下载Ollama程序吧~

官网下载页面：ollama.com/download

在这里插入图片描述

因为我的电脑是windows， 所以这里我下载Windows这个版本。

下载好了，程序大小一共是212M。

在这里插入图片描述

下载好后，双击点开始安装：

在这里插入图片描述

默认安装到C盘。PS：很奇怪为什么没给个自定义安装目录的选项 ：（

在这里插入图片描述

安装完成后，Win+R键调出运行窗口：

在这里插入图片描述

在窗口中键入cmd调出控制台，在控制台中运行命令：ollama run llama3

在这里插入图片描述

这时就开始下载模型了。

在这里插入图片描述

等待一会儿，安装完成。

在这里插入图片描述

下载的文件在下面这个目录：

在这里插入图片描述

测试

先测试一下，回答怎么样?

在这里插入图片描述

再来测试一下中文。

在这里插入图片描述

测试结果回答逻辑是没什么问题的，速度也很快。

好了，使用Ollama在本地部署llama3的教程就为大家教到这里，大家快动手试试，部署个属于自己的本地大模型助手吧！

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉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、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

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
    • L2.3 流水线工程
    • 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
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉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）👈

​

人工智能小豪
关注
  • 21
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
大模型部署-使用OpenVINO本地化部署LLaMa3-附项目源码+流程教程-优质项目实战.zip
06-07
本项目将介绍如何使用OpenVINO进行大模型的本地化部署，特别是针对LLaMa3模型的实例。通过该项目，开发者可以学习到如何将复杂的模型部署到边缘设备，以便在本地运行高效且实时的推理任务。 LLaMa3是一种大规模的预...
在windows上部署chatGLM2和LLama2简单笔记
pipupip的博客
10-03 2034
在windows上部署chatGLM2和LLama2简单笔记，刚开始玩，比较肤浅，后面随时更新。
智谱AI GLM4开源！快速上手体验
IT大头的博客
06-05 3193
GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B 及其人类偏好对齐的版本 GLM-4-9B-Chat 均表现出较高的性能。GLM-4-9B 模型具备了更强大的推理性能、更长的上下文处理能力、多语言、多模态和 All Tools 等突出能力。
Fastgpt配合chatglm+m3e或ollama+m3e搭建个人知识库
BiuBiu_Ka
04-12 7189
人工智能大语言模型是近年来人工智能领域的一项重要技术，它的出现标志着自然语言处理领域的重大突破。这些模型利用深度学习和大规模数据训练，能够理解和生成人类语言，为各种应用场景提供了强大的文本处理能力。AI大语言模型的技术原理主要基于深度学习和自然语言处理技术，通过自监督学习和大规模文本数据的预训练来学习语言的表示。训练完成后，可以通过微调等方法，将模型应用于特定的任务和应用场景。未来，AI大语言模型有望在更多领域发挥作用，包括自然语言理解、文本生成、对话系统、语言翻译等。
【机器学习】GLM4-9B-Chat大模型/GLM-4V-9B多模态大模型概述、原理及推理实战
人工智能领域博客
06-06 1万+
本文首先对GLM4-9B的模型特点及原理进行介绍，接着分别对GLM4-9B-Chat语言大模型和GLM-4V-9B多模态大模型进行代码实践。排了很多坑，推荐阅读和收藏。
【LLM大模型】谷歌AI杰玛Gemma大模型开源了！附2个本地部署安装教程和实例
pythonhy的博客
08-07 576
Gemma 是一个轻量级、先进的开放模型系列，采用与创建 Gemini 模型相同的研究和技术构建而成。Gemma 由 Google DeepMind 和 Google 的其他团队开发，以拉丁语 gemma（意为“宝石”）命名，中文名杰玛。Gemma 模型权重由促进创新、协作和负责任地使用人工智能 (AI) 的开发者工具提供支持。
Llama3模型+Windows本地运行软件（下载地址）
05-20
今天还是用可视化的GUI软件来运行Llama3，是个人都会的那种软件。 这里说的软件就是，这是一款基于llama.cpp，可以运行几乎所有主流大语言模型的应用程序。 由于软件主要是使用CPU来运行，所以基本上所有电脑都...
Llama3本地部署与高效微调入门-llama3 8b 微调
07-26
Llama3本地部署与高效微调入门_llama3 8b 微调
本地部署开源大模型的完整教程LangChain + Streamlit+ Llama
09-23
本地部署开源大模型的完整教程 LangChain + Streamlit+ LLaMA 本教程旨在指导开发人员如何在本地部署开源的大型语言模型（LLM），并使用LangChain、Streamlit和LLaMA等工具来创建交互式应用程序。以下是教程中涉及...
大模型部署-在本地计算机上推理LLaMA大语言模型-支持Windows+Linux+Mac-优质项目实战.zip
03-26
本项目实战旨在教你如何在本地计算机上部署大型语言模型LLaMA（Large Language Models like MAth）进行推理工作，覆盖Windows、Linux和Mac操作系统。大模型部署是一项技术性极强的任务，涉及到高性能计算、资源管理...
使用 Ollama 本地运行各种 LLM
python123456_的博客
05-31 726
今天看看另外一个产品Ollama。Ollama 的安装非常简单，只需从官网（https://ollama.com/download）下载后解压缩，并在 Terminal 中运行脚本即可完成环境设置。我尝试运行 Llama3，虽然在运行时占用了大量电脑资源，使得其他应用运行变慢，但整体体验尚可。Ollama 支持多种大型语言模型（https://ollama.com/library）。
LLM大语言模型（十六）：最新开源 GLM4-9B 本地部署，带不动，根本带不动
hugo_lei的博客
06-05 1万+
GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。 在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B及其人类偏好对齐的版本GLM-4-9B-Chat均表现出超越 Llama-3-8B 的卓越性能。
LLaMA, ChatGLM, BLOOM的参数高效微调实践
丨汀、的博客
06-12 4204
大语言模型的训练分为两个阶段：（1）在海量文本语料上的无监督预训练，学习通用的语义表示和世界知识。（2）在小规模数据上，进行指令微调和基于人类反馈的强化学习，更好地对齐最终任务和人类偏好。LIMA[1] 证明了，只需要有限的指令微调数据就可以生成高质量的回复。因此，基座模型的性能是至关重要的，如果基座模型的性能不够好，指令微调和强化学习也难以取得很好的效果。目前，主流的开源大语言模型主要有三个：LLaMA、ChatGLM 和 BLOOM。
LLaMA、Baichuan、ChatGLM、Qwen、天工等大模型对比
fjfdg666的博客
12-08 5997
https://github.com/THUDM/ChatGLM-6Bhttps://github.com/THUDM/ChatGLM2-6Bhttps://github.com/THUDM/ChatGLM3其他开源项目。
ChatGLM两代的部署/微调/实现：从基座GLM、ChatGLM的LoRA/P-Tuning微调、6B源码解读到ChatGLM2的微调与实现
热门推荐
结构之法 算法之道
03-31 6万+
随着『GPT4多模态/Microsoft 365 Copilot/Github Copilot X/ChatGPT插件』的推出，绝大部分公司的技术 产品 服务，以及绝大部分人的工作都将被革新一遍类似iPhone的诞生 大家面向iOS编程 有了App Store现在有了ChatGPT插件/GPT应用商店，以后很多公司 很多人面向GPT编程(很快技术人员分两种，一种懂GPT，一种不懂GPT)然ChatGPT/GPT4基本不可能开源了，而通过上文《
TensorFlow相关组件的安装
AAI666666的博客
01-11 1102
TensorFlow相关组件的安装
超详细！大模型面经指南（附答案）
2201_75499313的博客
12-16 2705
LLM（Large Language Model，大型语言模型）是指基于大规模数据和参数量的语言模型。具体的架构可以有多种选择，以下是一种常见的大模型LLM的架构介绍：Transformer架构：大模型LLM常使用Transformer架构，它是一种基于自注意力机制的序列模型。Transformer架构由多个编码器层和解码器层组成，每个层都包含多头自注意力机制和前馈神经网络。这种架构可以捕捉长距离的依赖关系和语言结构，适用于处理大规模语言数据。
不用再找了，这是大模型最全的面试题库
机器学习社区
12-25 3902
一、baichuan-7B篇baichuan-7B 如何 提高 训练稳定性和吞吐？baichuan-7B 如何 收集原始数据并 构建 训练数据？你了解baichuan-7B解构么？介绍一下？二、baichuan-13B篇如何 对 baichuan-13B 进行微调？如何 对 baichuan-13B 进行推理和部署？相比于 baichuan-7B，baichuan-13B 的 特点体现在哪里？三、baichuan-53B篇。
ChatGLM 4本地部署指南(Docker容器版)
Qinghub‘博客
06-06 5224
GLM-4V-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源多模态版本。 **GLM-4V-9B** 具备 1120 * 1120 高分辨率下的中英双语多轮对话能力，在中英文综合能力、感知推理、文字识别、图表理解等多方面多模态评测中，GLM-4V-9B 都表现出卓越性能。
llama3本地部署
最新发布
08-24
Llama3是一个开源的深度学习模型优化工具，主要用于压缩和加速神经网络模型，使其能够在边缘设备上高效运行。如果你想在本地部署Llama3，你可以按照以下步骤操作： 1. **安装依赖**：首先，你需要确保你的机器上已经安装了必要的Python库，如PyTorch、TensorFlow等，以及可能需要的优化库，例如onnx, onnxruntime等。 2. **下载模型**：从Llama3的GitHub仓库克隆或下载预训练模型。确保你有权限访问并获取模型文件。 3. **模型转换**：将你的原始模型转换成Llama3支持的格式，这通常涉及到ONNX（Open Neural Network Exchange）格式的模型导出和优化。 4. **配置环境**：创建一个新的虚拟环境，激活它，并使用pip安装所需的Llama3库。 5. **本地部署**：在本地环境中，你可以运行Llama3提供的命令行工具或API来进行模型压缩和优化。这包括设置量化级别、选择剪枝策略等参数。 6. **验证性能**：在本地测试优化后的模型，确保其在预期设备上的运行速度和准确度达到你的需求。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值