引言
随着人工智能技术的发展,越来越多的开发者希望在本地运行大型语言模型(LLM),而不依赖云环境。ExLlamaV2是一个高效的推理库,它允许用户在现代消费级GPU上本地运行GPTQ和EXL2量化模型。本篇文章将介绍如何在LangChain中使用ExLlamaV2,以及提供相关的代码示例。
主要内容
安装
要开始使用ExLlamaV2,您需要满足以下环境需求:
- Python 3.11
- LangChain 0.1.7
- CUDA: 12.1.0
- Torch: 2.1.1+cu121
- ExLlamaV2: 0.0.12+cu121
如果使用pip安装,可以使用以下命令:
pip install https://github.com/turboderp/exllamav2/releases/download/v0.0.12/exllamav2-0.0.12+cu121-cp311-cp311-linux_x86_64.whl
对于使用Conda的用户,依赖如下:
- conda-forge::ninja
- nvidia/label/cuda-12.1.0::cuda
- conda-forge::ffmpeg
- conda-forge::gxx=11.4
使用概述
ExLlamaV2允许用户在本地运行LLM,因此不需要API_TOKEN。选择适合的模型至关重要,您可以在Hugging Face上找到模型的RAM需求。以下是一个本地运行模型的代码示例。
代码示例
import os
from huggingface_hub import snapshot_download
from langchain_community.llms.exllamav2 import ExLlamaV2
from langchain_core.callbacks import StreamingStdOutCallbackHandler
from langchain_core.prompts import PromptTemplate
from libs.langchain.langchain.chains.llm import LLMChain
def download_GPTQ_model(model_name: str, models_dir: str = "./models/") -> str:
"""下载指定模型"""
if not os.path.exists(models_dir):
os.makedirs(models_dir)
_model_name = model_name.split("/")
_model_name = "_".join(_model_name)
model_path = os.path.join(models_dir, _model_name)
if _model_name not in os.listdir(models_dir):
snapshot_download(
repo_id=model_name, local_dir=model_path, local_dir_use_symlinks=False
)
else:
print(f"{model_name} 已在模型目录中")
return model_path
settings = ExLlamaV2Sampler.Settings()
settings.temperature = 0.85
settings.top_k = 50
settings.top_p = 0.8
settings.token_repetition_penalty = 1.05
model_path = download_GPTQ_model("TheBloke/Mistral-7B-Instruct-v0.2-GPTQ")
callbacks = [StreamingStdOutCallbackHandler()]
template = """Question: {question}
Answer: Let's think step by step."""
prompt = PromptTemplate(template=template, input_variables=["question"])
llm = ExLlamaV2(
model_path=model_path,
callbacks=callbacks,
verbose=True,
settings=settings,
streaming=True,
max_new_tokens=150,
)
llm_chain = LLMChain(prompt=prompt, llm=llm)
question = "What Football team won the UEFA Champions League in the year the iphone 6s was released?"
output = llm_chain.invoke({"question": question})
print(output)
常见问题和解决方案
模型无法加载
确保所有依赖项正确安装,并检查CUDA与Torch的兼容性。
性能问题
选择合适的量化模型,并根据硬件资源调整推理参数,如temperature
、top_k
等。
总结和进一步学习资源
ExLlamaV2提供了一种高效运行LLM的方法,适合有GPU硬件支持的开发者。推荐查看以下资源以深入学习:
参考资料
如果这篇文章对你有帮助,欢迎点赞并关注我的博客。您的支持是我持续创作的动力!
—END—