在 4GB 显存下运行 LLM 基础开发环境

最新推荐文章于 2024-11-05 09:14:09 发布

程序学到昏

最新推荐文章于 2024-11-05 09:14:09 发布

阅读量1.1k

点赞数 16

文章标签：人工智能大数据产品经理 prompt langchain 大模型 LLM

本文链接：https://blog.csdn.net/Y525698136/article/details/140766143

版权

有 nvidia 4GB 显存的设备，就可以搭建一个用于 LLM 的基本开发环境。

比如这里使用的是 NVIDIA GeForce GTX 1650, 4GB 显存。

基本思路

消耗显存主要是
- LLM，大语言模型，如果使用 Qwen2:1.5b，大约消耗 2GB，如果是 Qwen2:0.5b，则更小
- embedding，嵌入模型，bge-large-zh-v1.5@f16, 大约消耗 1.2GB
基础开发环境用于测试程序是否能跑通，因此可以先用本地小模型
如果需要更大的模型，可以再使用云端模型
切换本地模型和云端模型很容易，因为使用 one-api 统一了本地和云端模型的调用接口
调用模型调试代码，采用 JupyterLab 笔记
- 这样调试很方便，也便于分享
- 如果使用客户端方案，比如 Streamlit 或者 Gradio
  - 过程复杂了，没有专注在模型相关，可能涉及很多客户端细节
  - 团队可能有专门的前端，会有他们的基于 Vue 或者 React 解决方案
- 将来很容易将笔记代码移植到比如 FastAPI 的服务器端模块

实现技术

使用 docker 容器方式运行，通过 compose 管理 docker 容器
使用 Ollama 加载本地模型
使用 one-api 统一管理本地和云端模型，并提供统一的 OpenAI API 访问方式
使用 JupyterLab 提供 Web 界面的开发编辑工具

使用效果展示

操作步骤

基础环境

Linux 环境，已经正确安装了 nvidia driver，并安装了 docker 和 compose
Windws 环境，WSL2 的 Linux 虚拟机，安装了 docker 和 compose

下载源代码

bash
 代码解读
复制代码
git clone https://github.com/MarshalW/llm-proto.git

docker 设置代理

如果能直接访问 docker 官方 registry，则不需要这一步。

下面脚本为 docker 设置代理服务器。

bash
 代码解读
复制代码
# 代理配置
HTTP_PROXY="http://proxy.example.com:8080"
NO_PROXY="localhost,127.0.0.1,docker-registry.example.com,.corp"

# 配置文件路径
CONFIG_FILE="/etc/systemd/system/docker.service.d/http-proxy.conf"

# 创建目录（如果不存在）
mkdir -p "$(dirname "$CONFIG_FILE")"

# 写入配置文件
cat <<EOF | sudo tee "$CONFIG_FILE" > /dev/null
[Service]
Environment="HTTP_PROXY=$HTTP_PROXY"
Environment="HTTPS_PROXY=$HTTP_PROXY"
Environment="NO_PROXY=$NO_PROXY"
EOF

# 重新加载 systemd 配置
sudo systemctl daemon-reload

# 重启 Docker 服务
sudo systemctl restart docker

构建 JupyterLab docker 镜像

bash
 代码解读
复制代码
cd llm-proto/jupyterlab
./build.sh

启动服务

bash
 代码解读
复制代码
cd llm-proto
docker compose up -d

配置服务

Ollama 加载模型

bash
 代码解读
复制代码
# 进入 ollama 容器
docker exec -it llms bash

# 拉取模型
ollama pull qwen2:1.5b

# 验证拉取成功
ollama ls
NAME            ID              SIZE    MODIFIED
qwen2:1.5b      f6daf2b25194    934 MB  5 hours ago

配置 one-api

访问： http://IP:4000

登录账号/密码： root/123456

配置本地模型

添加渠道

在这里插入图片描述

测试渠道

在这里插入图片描述

添加令牌

在这里插入图片描述

复制令牌备用

在这里插入图片描述

配置云端模型

以智谱 GLM 为例

在这里插入图片描述

创建渠道（需要设置访问密钥）：

在这里插入图片描述

访问 jupyterlab

浏览器访问 http://IP:8888

密码是 password

编写笔记，参考 MarshalW/jupyterlab-demos/blob/main/simple-oneapi.ipynb

总结

通过上述步骤，即可建立一个最基本的 LLM 技术开发环境，用于调试基于模型的基础代码。

如何系统的去学习AI大模型LLM ？

作为一名热心肠的互联网老兵，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。

所有资料 ⚡️ ，朋友们如果有需要全套《LLM大模型入门+进阶学习资源包》，扫码获取~

👉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、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI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。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

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
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- 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
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍