大模型转换为 GGUF 并使用Ollama部署

下载的模型都是GGUF格式，那如何部署私有大模型呢？下面详细的对该过程解密：

---

1 什么是GGUF？为什么进行转换GGUF格式？

1.1 什么是GGUF？

      GGUF(GPT-Generated Unified Format)，提到GGUF就不得不提到它的前身 GGML（GPT-Generated Model Language）。GGML是专门为了机器学习设计的张量库，最早可以追溯到2022/10。其目的是为了有一个单文件共享的格式，并且易于在不同架构的GPU和CPU上进行推理。但在后续的开发中，遇到了灵活性不足、相容性及难以维护的问题。

1.2 为什么进行格式转换？

      在传统的Deep Learning Model 开发中大多使用 PyTorch 来进行开发，但因为在部署时会面临相依 Lirbrary 太多、版本管理的问题于才有了 GGML、GGMF、GGJT 等格式，而在开源社群不停的迭代后 GGUF 就诞生了。 GGUF 实际上是基于 GGJT 的格式进行优化的，并解决了 GGML 当初面临的问题，包括:

        (1) 可扩展性：轻松为 GGML 架构下的工具添加新功能，或者向 GGUF 模型添加新 Feature，不会破坏与现有模型的兼容性。 

        (2) 对 mmap（内存映射）的兼容性：该模型可以使用 mmap 进行加载，实现快速载入和存储。

        (3) 易于使用：模型可以使用少量代码轻松加载和存储，无需依赖的 Library，同时对于不同编程语言支持程度也高。

        (4）模型信息完整：加载模型所需的所有信息都包含在模型文件中，不需要额外编写设置文件。 

        (5) 有利于模型量化：GGUF 支持模型量化（4 位、8 位、F16），在 GPU 变得越来越昂贵的情况下，节省 vRAM 成本也非常重要。

---

2 将hf模型转换为GGUF

2.1 采用llama.cpp仓库的convert_hf_to_gguf.py脚本来转换

git clone https://github.com/ggerganov/llama.cpp.gitpip install -r llama.cpp/requirements.txt

2.2 执行转换​​​​​​​

# 如果不量化，保留模型的效果python convert_hf_to_gguf.py D:\ai\20250413\Qwen\Qwen2___5-1___5B-Instruct-merged --outtype f16  --verbose --outfile D:\ai\20250413\Qwen\Qwen2___5-1___5B-Instruct-merged-gguf.gguf# 如果需要量化（加速并有损效果），直接执行下面脚本就可以python convert_hf_to_gguf.py D:\ai\20250413\Qwen\Qwen2___5-1___5B Instruct-merged --outtype q8_0  --verbose --outfile D:\ai\20250413\Qwen\Qwen2___5-1___5B-Instruct-merged-gguf_q8_0.gguf​​​​​​​

--outtype:输出类型，其含义：  q2_k：特定张量（Tensor）采用较高的精度设置，而其他的则保持基础级别。  q3_k_l、q3_k_m、q3_k_s：这些变体在不同张量上使用不同级别的精度，从而达到性能和效率的平衡。  q4_0：这是最初的量化方案，使用 4 位精度。  q4_1 和 q4_k_m、q4_k_s：这些提供了不同程度的准确性和推理速度，适合需要平衡资源使用的场景。  q5_0、q5_1、q5_k_m、q5_k_s：这些版本在保证更高准确度的同时，会使用更多的资源并且推理速度较慢。  q6_k 和 q8_0：这些提供了最高的精度，但是因为高资源消耗和慢速度，可能不适合所有用户。  fp16 和 f32: 不量化，保留原始精度。

2.3 转换后的模型

---

3 使用ollama运行gguf

3.1 创建ModelFile

      复制模型所在路径，创建名为 ModelFile的文件，内容如下：

​​​​​​​

# GGUF文件路径FROM D:\ai\20250413\Qwen\Qwen2___5-1___5B-Instruct-merged-gguf.gguf

3.2 创建自定义模型

使用ollama create 指令创建自定义模型

ollama create oldwine-Qwen2.5-1.5B-Instruct --file ./ModelFile

3.3 运行模型：

      运行ollama，输入“ollama list”，可以看到已安装列表中已存在的大模型，输入“ollama run 模型名称”即可开始对话（此时即使把原本的gguf文件删除，也不影响Ollama运行这个大模型）。

---

4 本地部署的图形化界面Open-WebUI

4.1 下载安装​​​​​​​

# 1.创建conda 虚拟环境conda create -n openwebui python==3.11 -y# 2. 切换到对应conda虚拟环境conda activate openwebui#3. 安装pip install open-webui# 4. 启动web服务open-webui serve

4.2 大模型交互聊天

  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。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 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）

五、AI产品经理大模型教程

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🆓↓↓↓

​