零基础入门AI：一键本地运行各种开源大语言模型 - Ollama

零基础入门AI：一键本地运行各种开源大语言模型 - Ollama

AI大模型全套学习资料
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
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。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

什么是 Ollama？

Ollama 是一个可以在本地部署和管理开源大语言模型的框架，由于它极大的简化了开源大语言模型的安装和配置细节，一经推出就广受好评，目前已在github上获得了46k star。

不管是著名的羊驼系列，还是最新的AI新贵Mistral，等等各种开源大语言模型，都可以用Ollama实现一键安装并运行，支持的更多模型的列表可以查看Ollama官网。

Model	Parameters	Size	Download
Llama 2	7B	3.8GB	ollama run llama2
Mistral	7B	4.1GB	ollama run mistral

本文就让我们一起入门Ollama。

如何安装 Ollama框架？

Ollama支持各个平台：Mac、Windows 和 Linux，也提供了docker image。 在Ollama官网或者Github可以下载，然后一键安装Ollama框架：

• macOS
• Windows
• Linux: curl -fsSL https://ollama.com/install.sh | sh

由于Ollama刚支持windows不久，在windows上的相关配置还不够完善，以下我将主要以Linux上运行Ollama来举例说明。

运行 Ollama 服务

在Ollama安装完成后， 一般会自动启动 Ollama 服务，而且会自动设置为开机自启动。安装完成后，可以使用如下命令查看是否Ollama是否正常启动。如下例子中显示“Active: active (running)”表示Ollama已经正常启动。

yaml代码解读复制代码$ systemctl status ollama
● ollama.service - Ollama Service
     Loaded: loaded (/etc/systemd/system/ollama.service; enabled; vendor preset: enabled)
    Drop-In: /etc/systemd/system/ollama.service.d
             └─environment.conf
     Active: active (running) since Thu 2024-03-07 09:09:39 HKT; 4 days ago
   Main PID: 19975 (ollama)
      Tasks: 29 (limit: 69456)
     Memory: 1.1G
        CPU: 14min 44.702s
     CGroup: /system.slice/ollama.service
             └─19975 /usr/local/bin/ollama serve

在Linux上，如果Ollama未启动，可以用如下命令启动 Ollama 服务：ollama serve，或者 sudo systemctl start ollama。

通过分析Linux的安装脚本install.sh，就会看到其中已经将ollama serve配置为一个系统服务，所以可以使用systemctl来 start / stop ollama进程。

ini代码解读复制代码    status "Creating ollama systemd service..."
    cat <<EOF | $SUDO tee /etc/systemd/system/ollama.service >/dev/null
[Unit]
Description=Ollama Service
After=network-online.target

[Service]
ExecStart=$BINDIR/ollama serve
User=ollama
Group=ollama
Restart=always
RestartSec=3
Environment="PATH=$PATH"

启动Ollama服务后，可以查看当前的Ollama版本，以及常用命令

sql代码解读复制代码~$ ollama -v
ollama version is 0.1.20
~$ ollama --help
Large language model runner

Usage:
  ollama [flags]
  ollama [command]

Available Commands:
  serve       Start ollama
  create      Create a model from a Modelfile
  show        Show information for a model
  run         Run a model
  pull        Pull a model from a registry
  push        Push a model to a registry
  list        List models
  cp          Copy a model
  rm          Remove a model
  help        Help about any command

Flags:
  -h, --help      help for ollama
  -v, --version   Show version information

Use "ollama [command] --help" for more information about a command.

如何下载并运行大语言模型？

至此，已经完成Ollama框架的安装，接下来，可以用一条命令在本地运行大语言模型。以著名的羊驼举例：ollama run llama2。

如果还没有下载过指定的大语言模型，这条命令将会先执行ollama pull llama2，将大语言模型下载到本地，再在本地运行大语言模型。

下载完成后，运行效果如下：

less代码解读复制代码:~$ ollama run llama2
>>> who are you?

I am LLaMA, an AI assistant developed by Meta AI that can understand and respond to human input in a conversational manner. I am trained on a massive dataset of text from the internet and can 
generate human-like responses to a wide range of topics and questions. I can be used to create chatbots, virtual assistants, and other applications that require natural language understanding and
generation capabilities.

>>> Send a message (/? for help)

REST API

Ollama还提供了API接口：

vbnet代码解读复制代码curl http://localhost:11434/api/generate -d '{
  "model": "llama2",
  "prompt":"Why is the sky blue?",
  "stream": false
}'

返回结果如下：

json代码解读复制代码{
    "model": "llama2",
    "created_at": "2024-02-26T04:35:10.787352404Z",
    "response": "The sky appears blue because of a phenomenon called Rayleigh scattering, which occurs when sunlight enters Earth's atmosphere. The sunlight encounters tiny molecules of gases such as nitrogen and oxygen, which scatter the light in all directions. The shorter wavelengths of light, such as blue and violet, are scattered more than the longer wavelengths, such as red and orange. This is known as Rayleigh scattering, named after Lord Rayleigh, who first described the phenomenon in the late 19th century. As a result of this scattering, the light that reaches our eyes from the sun appears blue, especially when viewed from a distance. The closer we get to the horizon, the more the blue color appears to fade, as the light has to travel through more of the atmosphere, which scatters the shorter wavelengths even more. It's worth noting that the exact shade of blue can vary depending on the time of day and atmospheric conditions. For example, during sunrise and sunset, when the sun is low in the sky, the sky can take on a more orange or red hue due to the scattering of light by atmospheric particles. So, to summarize, the sky appears blue because of the way light interacts with the tiny molecules of gases in Earth's atmosphere, particularly nitrogen and oxygen.",
    "done": true,
    "total_duration": 7001870820,
    "load_duration": 4930376,
    "prompt_eval_duration": 60907000,
    "eval_count": 309,
    "eval_duration": 6931593000
}

使用API接口，就可以实现更多灵活的功能，比如与IDE插件配合，实现本地的编程助手，可参考如下文章： 零基础入门AI：搭建本地的编程助手

FAQ

如何查看运行的日志？

在Linux上运行命令journalctl -u ollama，即可查看运行日志。

如何配置本地大模型对局域网提供服务？

在Linux上创建如下配置文件，并配置环境变量 OLLAMA_HOST 来指定对局域网提供服务的地址，再重启Ollama服务即可。

ini代码解读复制代码:~$ cat /etc/systemd/system/ollama.service.d/environment.conf
[Service]
Environment=OLLAMA_HOST=0.0.0.0:11434

如此配置后，即可由一台GPU服务器为本地局域网提供大语言模型的服务。

本地有多张GPU，如何用指定的GPU来运行Ollama？

在Linux上创建如下配置文件，并配置环境变量 CUDA_VISIBLE_DEVICES 来指定运行Ollama的GPU，再重启Ollama服务即可。

ini代码解读复制代码:~$ cat /etc/systemd/system/ollama.service.d/environment.conf
[Service]
Environment=CUDA_VISIBLE_DEVICES=1,2

下载的大模型存储在哪个路径？

默认情况下，不同操作系统存储的路径如下：

• macOS: ~/.ollama/models
• Linux: /usr/share/ollama/.ollama/models
• Windows: C:\Users<username>.ollama\models

如何修改大模型存储的路径？

Linux平台安装Ollama时，默认安装时会创建用户ollama，再将模型文件存储到该用户的目录/usr/share/ollama/.ollama/models。但由于大模型文件往往特别大，有时需要将大模型文件存储到专门的数据盘，此时就需要修改大模型文件的存储路径。

官方提供的方法是设置环境变量“OLLAMA_MODELS”，但我在Linux上尝试后，并没有成功。

分析Linux版的安装脚本install.sh后，我发现是由于其中创建了用户ollama和用户组ollama，然后将大模型存储到了该用户的目录/usr/share/ollama/.ollama/models，而我的帐户对ollama帐户的一些操作并不能生效，即使我再手动将我的帐户添加进ollama用户组，也仍然会有一些权限问题，导致对ollama帐户的目录操作不生效。

由于新建的ollama帐户并没有给我带来额外的便利，最后我用以下步骤来实现修改大模型文件的存储路径：

1. 修改安装文件 install.sh，取消其中创建用户ollama的步骤，参考如下：

   shell代码解读复制代码# if ! id ollama >/dev/null 2>&1; then 
       # status "Creating ollama user..." 
       # $SUDO useradd -r -s /bin/false -m -d /usr/share/ollama ollama 
   # fi 
   # status "Adding current user to ollama group..." 
   # $SUDO usermod -a -G ollama $(whoami)
   

2. 修改安装文件 install.sh，使用我的帐户来启动ollama服务，参考如下：

   ini代码解读复制代码    status "Creating ollama systemd service..."
       cat <<EOF | $SUDO tee /etc/systemd/system/ollama.service >/dev/null
   [Unit]
   Description=Ollama Service
   After=network-online.target
   
   [Service]
   ExecStart=$BINDIR/ollama serve
   User=<myusername>
   Group=<myusername>
   

3. 修改安装文件 install.sh，添加如下配置中指定环境变量

   OLLAMA_MODELS
   

   指定存储路径，再用此安装文件来安装ollama。

   ini
   
   代码解读
   复制代码Environment="OLLAMA_MODELS=/home/paco/lab/LLM/ollama/OLLAMA_MODELS"
   

   或者在安装完成后，创建如下配置文件，并配置环境变量

   OLLAMA_MODELS
   

   来指定存储路径，再重启Ollama服务。

   ini代码解读复制代码:~$ cat /etc/systemd/system/ollama.service.d/environment.conf
   [Service]
   Environment=OLLAMA_MODELS=<path>/OLLAMA_MODELS
   

第一阶段（10天）：初阶应用
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。
●大模型 AI 能干什么？
●大模型是怎样获得「智能」的？
●用好 AI 的核心心法
●大模型应用业务架构
●大模型应用技术架构
●代码示例：向 GPT-3.5 灌入新知识
●提示工程的意义和核心思想
●Prompt 典型构成
●指令调优方法论
●思维链和思维树
●Prompt 攻击和防范
●…
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
●为什么要做 RAG
●搭建一个简单的 ChatPDF
●检索的基础概念
●什么是向量表示（Embeddings）
●向量数据库与向量检索
●基于向量检索的 RAG
●搭建 RAG 系统的扩展知识
●混合检索与 RAG-Fusion 简介
●向量模型本地部署
●…
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
●为什么要做 RAG
●什么是模型
●什么是模型训练
●求解器 & 损失函数简介
●小实验2：手写一个简单的神经网络并训练它
●什么是训练/预训练/微调/轻量化微调
●Transformer结构简介
●轻量化微调
●实验数据集的构建
●…
第四阶段（20天）：商业闭环
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。
●硬件选型
●带你了解全球大模型
●使用国产大模型服务
●搭建 OpenAI 代理
●热身：基于阿里云 PAI 部署 Stable Diffusion
●在本地计算机运行大模型
●大模型的私有化部署
●基于 vLLM 部署大模型
●案例：如何优雅地在阿里云私有部署开源大模型
●部署一套开源 LLM 项目
●内容安全
●互联网信息服务算法备案
●…
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。