一个小时内快速部署大模型，附大模型书：ChatGLM3大模型本地化部署、应用开发与微调!

这个教程有以下几部分构成：

1. 硬件配置
2. 概念介绍
3. 实操
4. 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

1. 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.
2. 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.
3. 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。

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。

大模型部署书籍推荐

《ChatGLM3大模型本地化部署、应用开发与微调》作为《PyTorch 2.0深度学习从零开始学》的姊妹篇，专注于大模型的本地化部署、应用开发以及微调等。

本书不仅系统地阐述了深度学习大模型的核心理论，更注重实践应用，通过丰富的案例和场景，引导读者从理论走向实践，真正领悟和掌握大模型本地化应用的精髓。全书共分13章，全方位、多角度地展示了大模型本地化实战的完整方案。

适宜人群

本书适合大模型的初学者、有一定基础的大模型研究人员、大模型应用开发人员阅读学习。同时《ChatGLM3大模型本地化部署、应用开发与微调》还可作为高等院校或高职高专相关专业大模型课程的教材，助力培养新一代的大模型领域人才。

👉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）👈

​

本书作者

王晓华

• 高校计算机专业讲师，研究方向为云计算、大数据与人工智能。

版权信息

作者简介

内容简介

前言

第1章 大模型时代的开端

• 1.1 大模型的历史与发展 15
• 1.2 为什么要使用大模型 40
• 1.3 本章小结 56

第2章 PyTorch 2.0深度学习环境搭建

• 2.1 安装Python开发环境 58
• 2.2 安装PyTorch 2.0 94
• 2.3 Hello ChatGLM3 114
• 2.4 本章小结 184

第3章 基于gradio的云上自托管ChatGLM3部署实战

• 3.1 gradio的基本使用详解 186
• 3.2 基于gradio的猫狗分类可视化训练与预测实战 396
• 3.3 基于网页端的ChatGLM3部署和使用 468
• 3.4 基于私有云服务的ChatGLM3部署和使用 480
• 3.5 本章小结 489

第4章 使用ChatGLM3与LangChain实现知识图谱抽取和智能问答

• 4.1 当ChatGLM3遇见LangChain 491
• 4.2 ChatGLM3+ LangChain搭建专业问答机器人 545
• 4.3 使用ChatGLM3的LLM终端搭建知识图谱抽取与智能问答 570
• 4.4 本章小结 579

第5章 适配ChatGLM3终端的Template与Chain详解

• 5.1 基于输入模板的人机交互 581
• 5.2 Template中示例的最佳选择 593
• 5.3 使用Chain提高ChatGLM3的能力 605
• 5.4 LangChain中的记忆功能 611
• 5.5 基于ChatGLM3终端撰写剧情梗概、评论与宣传文案实战 620
• 5.6 本章小结 656

第6章 ChatGLM3多文本检索的增强生成实战

• 6.1 使用自然语言处理方法对目标进行查找 659
• 6.2 基于LLM终端完成文本内容抽取与文本问答 679
• 6.3 使用LLM终端完成反向问题推断 739
• 6.4 本章小结 751

第7章 构建以人为本的ChatGLM3规范化Prompt提示工程

• 7.1 提示工程模板构建的输入与输出格式 753
• 7.2 提示工程模板高级用法 771
• 7.3 结合提示工程的网页搜索服务实战 791
• 7.4 本章小结 811

第8章 使用ChatGLM3的思维链构建

• 8.1 思维链初探 813
• 8.2 思维链详解及其实战 822
• 8.3 本章小结 834

第9章 GLM源码分析与文本生成实战

• 9.1 GLM组件详解 836
• 9.2 GLM整体架构详解与文本生成实战 871
• 9.3 本章小结 898

第10章 低资源单GPU微调ChatGLM3实战

• 10.1 什么是大模型微调 900
• 10.2 ChatGLM3大模型微调的准备内容 912
• 10.3 虚拟客服多轮问答实战 952
• 10.4 加速的秘密：accelerate训练方法与模型量化详解 1004
• 10.5 更快的量化训练方案：QLoRA基础内容详解 1054
• 10.6 QLoRA微调文本生成实战 1086
• 10.7 本章小结 1141

第11章 会使用工具的ChatGLM3

• 11.1 ChatGLM3调用工具源码详解与实战 1143
• 11.2 ChatGLM3官方工具注册与调用源码分析与实战 1245
• 11.3 ChatGLM3实战：构建个人助理之美妆助手 1305
• 11.4 本章小结 1326

第12章 上市公司财务报表非结构化信息抽取实战

• 12.1 超长文本处理功能的ChatGLM3与真实财务报表的处理 1328
• 12.2 单报表非结构化信息抽取实战 1343
• 12.3 本章小结 1355

第13章 上市公司财务报表智能问答与财务预警实战

• 13.1 基于ChatGLM3的非结构化数据抽取与大规模财务报表数据库的建立 1357
• 13.2 基于自然语言的上市公司财务报表智能问答与财务预警实战 1389
• 13.3 本章小结 1421

附录 大模型的“幻觉”

👉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）👈

​