Meta Llama 3 模型，包含 8B 和 70B 两种参数规模，涵盖预训练和指令调优的变体。Llama 3 支持多种商业和研究用途，并已在多个行业标准测试中展示了其卓越的性能。
Llama 3 在超过 15 万亿个标记上进行训练，比 Llama 2 的数据集大 7 倍多。它大大降低了错误拒绝率，并提供了更高的响应一致性和多样性。此外，它还集成了新的信任和安全工具，如 Llama Guard 2、Code Shield 和 CyberSec Eval 2。
项目开源地址
https://github.com/meta-llama/llama3
模型已经在Hugging Face上可以下载了
我在github上面看到已经有网友对Llama3进行中文微调。那中文微调的效果如何呢？我先给大家看一下
1 效果演示
问题1：你好，你是谁？
问题答案：我是LLama3-Chinese，是由ShareAI训练的大型语言模型。我可以回答各种各样的问题。
看来已经不是原来的LLama3了
问题2：java 冒泡排序算法
这块应该是模型底层代码能力的问题，输出的结果也只是做了汉化了。这个效果也还行至少程序员能看懂。
问题3：鲁迅和周树人是什么关系？
这个回答和LLama3-8B 回答是一样的 只是做了汉化处理，LLama3-70B 能准确的回答这个问题（鲁迅和周树人是同一个人）
我们给它汉化一下
问题4：只剩一个心脏了还能活吗？
回答中规中矩，还算满意
问题5：我25岁 我爸50岁 那我爸两岁就生了我啦？
回答不错，没有调到坑里面。
问题6：为什麽我老婆内裤拔下来没有马赛克？
看来meta对数据安全隐私方面做了一些处理，对这类问题拒绝回答。
问题7：两千块钱买什么新车好？
没给我回答，但是给我其他问题回复，也还算能接受。
问题8：鸡柳是鸡身上哪个部位啊？
回答的不错，没有被绕道坑里面。
以上就是我测试的8个中文问题，对比原版的llama3 中英文结合的回答结果。这个微调后的中文版本更符合中国人的使用习惯。
下面给大家介绍这个项目如何在本地环境部署的。
2 本地环境部署
2.1 模型下载地址
- V1版本：
- OpenCSG满速下载：https://opencsg.com/models/shareAI/llama3-Chinese-chat-8b
- WiseModel满速下载：https://wisemodel.cn/models/shareAI/llama3-Chinese-chat-8b
选择其中一个下载到本地。
选择一个电脑盘符，我的是 F:\AI
鼠标右键，选择git bash here (没有git 下伙伴可以自己百度搜索一下安装)
在这个git 命令行窗口中输入如下命令
git clone https://opencsg.com/models/shareAI/llama3-Chinese-chat-8b.git --depth 1
等待这个模型下载完成，时间大概有点长（主要取决你的网速），下载完成后模型文件如下
有2个大的模型文件，大概有15G左右。
2.2 下载程序包
https://opencsg.com/models/shareAI/llama3-Chinese-chat-8b#/
在github 项目中通过 git 命令下载代码或者下载程序源码压缩包。（这里就以程序源码压缩包方式举例）
下载完成（我的是在我f 盘 temp 文件下）
按照如图所示解压源码压缩包文件，解压后文件内容格式如下
进入deploy 文件夹中，我们看到有一个web_streamlit_for_v1.py 程序
以上步骤完成程序包下载并解压。下面我们需要安装程序依赖包
2.3 安装依赖包
pip install -U streamlit
在命令行窗口中执行如上命令 ，安装streamlit 依赖包。（注意 本地电脑是需要提前安装好python 运行环境，建议安装python3.10+）我的是python 3.11
本项目是在llama3-8B 模型做的微调，所以需要的显存要求
模型推理成本
- fp16 模式 大概占用16G显存，推荐24G显卡使用
- int4模式 大概占用8G显存，推荐至少10G显存使用，需要自行搜索修改代码中load_in_4bit=True
我电脑上是英伟达3060显卡 显存是12GB，所以fp16 下应该是跑不起来的，所以我使用int4模式
因为是int4模式运行，所以我们还需要安装bitsandbytes，另外transformers 最好是升级到最新版本。
程序中相关依赖包需要您自己安装（项目中没有提到依赖包安装，这点不好）
我这里列举一下可能需要的依赖包
pip install --upgrade bitsandbytes
pip install peft
pip install transformers
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
2.4 修改代码
因为我们是跑4B量化的，所以需要修改代码中load_in_4bit=True
大概250行，将这行代码load_in_4bit=False 改成 True
model, tokenizer = load_model(model_name_or_path, adapter_name_or_path=adapter_name_or_path, load_in_4bit=True)
大概186行，AutoModelForCausalLM模型加载中去掉 load_in_4bit=load_in_4bit，因为前面已经构造了load_in_4bit这个参数就没有必要了，不修改程序会报错
修改代码截图如下
2.5 启动程序
windows 目录F:\temp\llama3-Chinese-chat-main\deploy 文件夹目录中，输入CMD
弹出命令行窗口，执行如下命令
streamlit run web_streamlit_for_v1.py F:\\AI\\llama3-Chinese-chat-8b\\ --theme.base="dark"
其中F:\AI\llama3-Chinese-chat-8b\ 是模型下载后保存的目录
命令行执行完成后模型加载，同时浏览器窗口自动打开
当模型加载完成后，我们查看一下电脑任务管理器 显卡监控图
后面我们就可以愉快聊天了
总结：Llama3的发布对AI行业产生了深远影响。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“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】
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。
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】
973
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
