1.写在前面
就在7月19日，MetaAI开源了LLama2大模型，Meta 首席科学家、图灵奖获得者 Yann LeCun在推特上表示Meta 此举可能将改变大模型行业的竞争格局。一夜之间，大模型格局再次发生巨变。
推文上列了Llama2的网站和论文，小卷给大家贴一下，感兴趣的友友可以自己看看
站点：https://ai.meta.com/llama/
论文：https://ai.meta.com/research/publications/llama-2-open-foundation-and-fine-tuned-chat-models/
Github页：https://github.com/facebookresearch/llama
2.LLama2是什么
Llama官网的说明是Llama2下一代开源大语言模型，可免费用于学术研究或商业用途。
目前模型有7B、13B、70B三种规格，预训练阶段使用了2万亿Token，SFT阶段使用了超过10w数据，人类偏好数据超过100w。
另外大家最关心的Llama2和ChatGPT模型的效果对比，在论文里也有提到，
对比GPT-4，Llama2评估结果更优，绿色部分表示Llama2优于GPT4的比例
虽然中文的占比只有0.13%，但后续会有一大推中文扩充词表预训练&领域数据微调的模型被国人放出。这不才开源几天而已，GIthub上就已经有基于Llama2的中文大模型了。。。
3.部署使用
关于LLama2的技术细节就不再多说了，大家可以自行查阅。接下来就教大家怎么自己玩一玩LLama2对话大模型。
大部分人都是没有本地GPU算力的，我们选择在云服务器上部署使用。我这里用的是揽睿星舟平台的GPU服务器（便宜好用，3090只要1.9/小时，且已在平台上预设了模型文件，无需再次下载）
新用户注册还送2小时的3090算力，记得邀请码写4104
平台注册地址：https://www.lanrui-ai.com/register?invitation_code=4104
3.1新建空间
登录：https://www.lanrui-ai.com/console/workspace
创建一个工作空间，运行环境镜像挂载公有镜像：pytorch: official-torch2.0-cu1117。选择预训练模型：llama-2-7b 和 llama-2-7b-chat。然后创建实例
3.2下载代码
实例创建完成后，以jupyterLab方式登录服务器，新建一个Terminal，然后进入到data目录下
cd data
下载代码
执行下面的命令从GIthub上拉取llama的代码
sudo git clone https://github.com/facebookresearch/llama.git
下载完成后，会多一个llama目录
3.3运行脚本
进入llama目录
cd llama
安装依赖
sudo pip install -e .
测试llama-2-7b模型的文本补全能力
命令行执行：
torchrun --nproc_per_node 1 example_text_completion.py \
--ckpt_dir ../../imported_models/llama-2-7b/Llama-2-7b \
--tokenizer_path ../../imported_models/llama-2-7b/Llama-2-7b/tokenizer.model \
--max_seq_len 128 --max_batch_size 4
文本补齐效果示例：
上面的例子是在python脚本里写了一段话，让模型补全后面的内容。
测试llama-2-7b模型的对话能力
修改llama目录权限为777，再修改example_chat_completion.py文件中的ckpt_dir和tokenizer_path路径为你的llama-2-7b-chat模型的绝对路径
// 1.修改目录权限为可写入
chmod 777 llama
//2.修改example_chat_completion.py文件里的参数
ckpt_dir: str = "/home/user/imported_models/llama-2-7b-chat/Llama-2-7b-chat/",
tokenizer_path: str = "/home/user/imported_models/llama-2-7b-chat/Llama-2-7b-chat/tokenizer.model"
//3.运行对话脚本
torchrun --nproc_per_node 1 example_chat_completion.py
这里我修改提示语让它用中文回答，执行对话脚本后，对话效果如下：
torchrun --nproc_per_node 1 example_chat_completion.py
说明：目前官方还没有提供UI界面或是API脚本代码给咱使用，还没法进行对话交互，如果有懂python的友友，可以自行加个UI界面，欢迎大家留言讨论。
4.下载更多模型
llama代码里有download.sh脚本可以下载其他模型，但是下载需要的URL需要自行获取。下载步骤如下：
1.Meta AI网站获取下载URL
MetaAI下载模型页地址：https://ai.meta.com/llama/#download-the-model
点击Download后，要求填入一些信息和邮箱，提交后会给你的邮箱发一个下载URL，注意这个是你自己的下载链接哦~
下图是小卷邮箱里收到的模型下载链接
2.下载模型
服务器上命令行执行
sudo bash download.sh
接着按照提示粘贴下载URL和选择要下载的模型
对于国内大模型使用来说，随着开源可商用的模型越来越多，国内大模型肯定会再次迎来发展机遇。
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🆓↓↓↓
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。
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)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
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🆓↓↓↓
801
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
