轻松搭建：本地大模型与知识库的简便方法

最新推荐文章于 2024-09-12 13:45:15 发布
最新推荐文章于 2024-09-12 13:45:15 发布
阅读量896 收藏 26
点赞数 15
文章标签： 人工智能 算法 AI大模型 大模型 开发语言
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/2401_84204413/article/details/141054976
版权

01、本地大模型越来越简单

经过了一年多时间的迭代，大模型种类繁多，使用也越来越简单了。

在本地跑大模型，个人认为目前最好的软件肯定是Ollama无疑了，

不管你是在PC上跑大模型，在Mac上跑大模型，还有在树莓派上跑大模型，

我们都可以用Ollama去跑各种大大小小的模型，而且它的扩展性非常强。

02、Ollama本地运行大模型

现在安装Ollama超级简单的，只需要进入[Ollama官网下载安装包，然后安装即可。

以下是我个人安装为例（macOS系统）：

  • 1、下载

ai_5_1_ollama下载.webp

  • 2、安装

ai_5_2_安装.webp

直接点击Next：

ai_5_3_安装命令.webp

  • 3、命令查看

ai_5_4_版本和使用的命令.webp

  • 4、运行

ai_5_5_启动运行.webp

  • 其他说明

如果自己不确定模型名称可以去官网查看[模型]

ai_5_6_模型查询.webp

每款大模型都有不同版本，根据自己的机器来选择，根据官网的文档也说明了，一般7B的模型至少需要8G的内存，13B的模型至少需要16G内存，70B的模型至少需要64G内存。

ai_5_7_内存需求.webp

03、使用Web UI界面连接Ollama

ollama没有界面化的页面使用，它是在终端里交互的，所有我们要使用图形化的界面里去操作，这是我们可以使用Open WebUI。

Open WebUI是一个开源的Web UI界面，github地址：[github.com/open-webui/…]

  • 1、下载和运行

使用Docker方式运行Open WebUI，直接一条命令解决下载和运行：

ai_5_8_open-webui启动命令.webp

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

命令解释：

  • -d：后台运行
  • -p 3000:8080：将容器的8080端口映射到主机的3000端口
  • --add-host=host.docker.internal:host-gateway：添加主机映射，用于访问主机的Docker容器
  • -v open-webui:/app/backend/data：将主机的open-webui目录映射到容器的/app/backend/data目录
  • --name open-webui：设置容器名称
  • --restart always：设置容器总是重启
  • ghcr.io/open-webui/open-webui:main：镜像地址

启动日志：

ai_5_8_open-webui启动日志.webp

注意：open-webui启动时有点慢，需要等待一会。可以通过docker logs open-webui查看日志。红框的可以不用理会。

  • 2、注册

第一次使用时需要进行注册，这个数据都是本地存储。

ai_5_10_open-webui注册.webp

  • 3、登录

ai_5_9_open-webui登录.webp

  • 4、open-webui使用界面

ai_5_11_open-webui界面.webp

  • 4、设置

ai_5_12_open-webui设置界面.webp

  • 5、模型选择

ai_5_13_open-webui模型选择.webp

04、本地化知识库

1、open-webui界面文档设置

ai_5_14_open-webui文档设置.webp

2、加载网页或者文档

在对话窗口通过#+链接加载网页，通过对话框的+上传文件，也可以在文档中导入。

ai_5_15_open-webui文档或者网页加载.webp

在这里插入图片描述

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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。

在这里插入图片描述

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

在这里插入图片描述

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

在这里插入图片描述

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

在这里插入图片描述

AI大模型-王哥
关注
如何创建高质量的本地知识库增强大模型私域任务处理能力
andy20160103的博客
04-30 1817
受训练阶段和提问的表达方式等影响，大模型不能准确理解用户意图受训练数据和时效性影响，大模型无法回答领域知识，当我们需要了解除它们训练数据以外的具体知识时，往往会达不到要求对于第一个限制，开源基础模型的理解能力不断提升，例如已开源的qwen-72B刷榜各评测榜单，对使用者的提示能力要求进一步降低，且已有能力已满足多样性任务需求，适合直接部署使用。对于第二个限制，使用检索增强生成技术（RAG，Retrieval Augmented Generation）是目前一种经济可行的方案。
LLM系列(1)：构建面向知识库的行业专属大模型系统——全流程落地技术方案
丨汀、的博客
04-29 488
LLM系列(1)：构建面向知识库的行业专属大模型系统——全流程落地技术方案
GPT-4(THUDM) + LangChain ＞＞ Personalized expert AI assistant.（本地知识库教程）
To be a better man
06-12 1604
GPT-4(THUDM) + LangChain ＞＞ Personalized expert AI assistant.（本地知识库教程）
使用Python和LangChain构建检索增强生成（RAG）应用的详细指南
m0_57781768的博客
06-27 947
RAG是一种技术，用于增强LLM的知识，使其能够处理额外的数据。尽管LLM能够处理广泛的话题，但其知识仅限于训练时所用的公共数据，且截至时间有限。如果希望构建能够处理私有数据或模型截止日期之后的数据的AI应用，就需要通过RAG来增强模型的知识。具体来说，RAG通过检索相关信息并将其插入到模型提示中，从而实现这一目标。LangChain提供了一系列组件，旨在帮助构建Q&A应用和更广泛的RAG应用。本文将重点介绍处理非结构化数据的Q&A技术。我们还可以轻松自定义提示，以适应不同的应用场景。{context}
如何搭建基于大模型的智能知识库
python1234_的博客
07-24 1302
基于RAG与LLM的知识库作为目前最有潜力的企业端大模型应用之一，从技术角度可以看到，建设方案已经完备；从业务角度，最终的应用效果和业务价值还需要观察，并通过业务侧的反馈不断地促进建设方案的进一步优化，比如增加对多模态知识的处理能力等。让我们共同期待这类应用普及那一天的到来。​。
AI大模型企业应用实战：Prompt让LLM理解知识
2401_84204413的博客
06-25 1445
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
使用Ollama简单部署本地Qwen2
一个今天胜过两个明天
06-11 1991
Ollama 是一个开源的、本地运行的 AI 聊天模型，允许在自己的设备上运行 LLM，无需依赖云服务。运行完成后就可以和大模型对话了，不过ollama 只有命令行模式运行，这里我下载了chatbox软件来运行，打开软件 模型设置选择ollama 以及 对应的ollama模型。windows下选择exe ，然后运行安装，安装完成后。1.5b就是对应安装Qwen2 1.5b大模型，如果使用7b 就是 ollama run qwen2:7b。首先安装ollama， 访问官网 下载 ollama 对应版本。
使用Ollama+OpenWebUI本地部署阿里通义千问Qwen2 AI大模型
热门推荐
博客之路,前途漫漫
06-18 1万+
Ollama是一个开源框架，专为在本地机器上便捷部署和运行大型语言模型（LLM）而设计。qwen-2（Qwen-2，量子阱增强神经网络版本2）是阿里巴巴集团开发的先进人工智能语言模型。基于 Qwen-1 的成功和经验教训，Qwen-2 引入了多项关键增强功能和功能，旨在提高其性能、多功能性和跨各个领域的适用性。
Ollama在Windows11部署与使用QWen2模型
sagima_sdu的博客
06-24 1626
Ollama是一个开源项目，旨在让用户能够轻松地在其本地计算机上运行大型语言模型（LLM），是一个开源的大型语言模型服务。它支持各种LLM，包括Llama 3、Mistral和Gemma。提供了类似OpenAI的API接口和聊天界面,可以非常方便地部署最新版本的GPT模型并通过接口使用。支持热加载模型文件,无需重新启动即可切换不同的模型。
2024年7月手把手教你搭建，企业级AI大模型知识库问答系统
liwz的博客
07-07 814
在当前AI快速发展的背景下,本地部署私有大语言模型(LLM)成为了许多企业和个人的需求。本文将介绍如何使用Ollama和FastGPT来实现本地私有大模型的部署,打造一个完全本地化的、免费的、企业级知识库问答系统。
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...
浅谈人工智能之基于ollama本地大模型结合本地知识库搭建智能客服
最新发布
测试人，测试魂
09-12 630
Ollama是一个开源项目，它使得在本地部署和运行大型语言模型变得简单易行。通过Ollama，用户可以绕过云服务，直接在本地服务器或设备上运行包括Llama系列在内的多种预训练模型，从而保障数据的隐私性和可控性。关于ollama的安装，可以参考之前的文章：根据操作系统进行选择部署浅谈人工智能之Windows：基于ollama进行本地化大模型部署浅谈人工智能之Linux：基于ollama进行本地化大模型部署● Ollama：本地模型运行环境。
使用ollama本地部署qwen2并api调用
XZH_iD的博客
06-23 9278
ollama是一个集成了许多模型的工具，自带实现了API的整合和调用，只需要命令就可以运行一些支持的常见大模型，且支持对gguf类型的模型进行部署。微调模型可以直接压缩成这个类型的文件，对后续微调模型提供基础。
LLM大语言模型算法特训，带你转型AI大语言模型算法工程师
2401_84495872的博客
06-26 829
大语言模型是指基于深度学习技术构建的能够处理和生成自然语言文本的模型。这些模型通常基于神经网络架构，经过大规模的数据训练，能够理解和生成人类语言的文本。目前，最为知名和广泛应用的大语言模型是基于变换器（Transformer）架构的模型，例如GPT（Generative Pre-trained Transformer）系列。自然语言理解和生成能力：大语言模型能够理解和处理输入的自然语言文本，包括语法结构、语义含义和上下文信息。它们可以根据输入的提示生成连贯和语义正确的文本。预训练和微调。
无监督学习、自监督学习、有监督学习、SFT监督微调介绍
rs勿忘初心的博客
03-13 1240
解释：无监督学习是一种机器学习的方法，其中模型从未标记的数据中学习。也就是说，给模型提供输入数据，但没有给出相应的期望输出或标签。模型需要自己发现数据中的模式、结构或关联。技术术语：“未标记的数据”：指的是没有附带额外信息（如类别标签或值）的数据。“模式、结构或关联”：无监督学习的目标通常是识别数据中的群集、异常值、降维或某种内在结构。
最近，大模型岗位爆了。。。
2301_82275412的博客
04-29 789
重磅消息，国资委打响了国内AI第一枪！这意味着传统行业又迎来了一次大洗牌，现在国内头部人工智能公司已经开始用AI数字人助力各行各业，。除此之外，知名大厂也都在布局AI市场。懂的程序员年薪已经翻到风口之下，与其焦虑被行业淘汰，不如先人一步掌握 AI 大模型技术。为帮助大家提升竞争力，为了帮助普通程序员享受时代红利，掌控AI大模型技术，成为超级个体，给大家带来了AI大模型全套资料。
手把手教你轻松本地部署Llama3和私有知识库
m0_59163425的博客
05-15 5023
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。上面只能在终端中使用，操作界面不像ChatGPT那样美观，如果能使用web页面进行交互，使用体验更好，也能保留之前的聊天记录，翻遍我们翻阅查询。
Ollama+Qwen2，轻松搭建支持函数调用的聊天系统
m0_59163425的博客
08-13 963
使用ollama create命令创建自定义模型。
ChatGLM-6B训练本地知识库【详解】
qq_23022733的博客
02-05 1814
左边是Encoding，右边是Decoding，trm的输入和输出都可以是序列，所以trm可以做文本翻译，BERT是Bidirectional Encoder Representations from Transformers的缩写，BERT是Transformer的Encoder一个预训练的语言表征模型在大量未标注的文本数据集上训练论文发表时在11个NLP任务上取得最佳指标BERT所做的事情就是把一个句子输出一个Embedding，
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