Ollama 在本地简单的运行llama
Ollama 是一个简化的工具,用于在本地运行开源 LLM,包括 Mistral 和 Llama 2。Ollama 将模型权重、配置和数据集捆绑到一个由 Modelfile 管理的统一包中。Ollama 支持各种 LLM,支持的模型如下:
Model | Parameters | Size |
---|---|---|
Llama 3 | 8B | 4.7GB |
Llama 3 | 70B | 40GB |
Mistral | 7B | 4.1GB |
Dolphin Phi | 2.7B | 1.6GB |
Phi-2 | 2.7B | 1.7GB |
Neural Chat | 7B | 4.1GB |
Starling | 7B | 4.1GB |
Code Llama | 7B | 3.8GB |
Llama 2 Uncensored | 7B | 3.8GB |
Llama 2 13B | 13B | 7.3GB |
Llama 2 70B | 70B | 39GB |
Orca Mini | 3B | 1.9GB |
LLaVA | 7B | 4.5GB |
Gemma | 2B | 1.4GB |
Gemma | 7B | 4.8GB |
Solar | 10.7B | 6.1GB |
地址:https://ollama.com/
安装
网址:https://ollama.com/download
-
从官方网站下载 Ollama。
-
下载后,安装过程简单明了,与其他软件安装类似。对于 MacOS 和 Linux 用户,您可以使用一个命令安装 Ollama:
curl -fsSL https://ollama.com/install.sh | sh
windows 也支持预览版了,但是本博主在安装过程中失败,然后放弃采用了windows wsl 在ubuntu上运行,这个在后文介绍。
运行llama3
输入命令
ollama run llama3
界面显示如下,程序会把权重文件下载下来,默认下载的是llama3:8b。下载完成,提示send a message ? 然后我们测试一个问题。
加个web ui来运行,更直观!
这里我采用了开源项目 open-webui,网址:https://github.com/open-webui/open-webui 。该项目的ui和chatgpt非常类似,截图如下:
我打算直接采用该项目的docker镜像来运行,简单快捷,假设你的电脑已经安装了docker.
下载open-webui docker镜像
docker pull ghcr.io/ollama-webui/ollama-webui:main
启动镜像
docker run -d --network=host -v open-webui:/app/backend/data -e OLLAMA_BASE_URL=http://127.0.0.1:11434 --name open-webui --restart always ghcr.io/open-webui/open-webui:main
如果你遇到了连接问题,通常是因为 WebUI docker 容器无法访问容器内的 127.0.0.1:11434 (host.docker.internal:11434) 的 Ollama 服务器,使用 docker 命令中的 --network=host 标志来解决这个问题,注意端口从 3000 改为 8080,导致链接:http://localhost:8080 。
访问
输入地址 http://localhost:8080 进行访问,初次访问需要注册。
配置
你需要配置Ollama 访问url(配置成http://127.0.0.1:11434) 和 选择模型,录屏如下:
测试效果
将 Ollama 与 Python 结合使用
您也可以将 Ollama 与 Python 一起使用。LiteLLM 是一个 Python 库,它提供了一个统一的接口来与各种 LLM 进行交互,包括 Ollama 运行的 LLM。要将 Ollama 与 LiteLLM 一起使用,您首先需要确保您的 Ollama 服务器正在运行。然后,您可以使用该函数向服务器发出请求。下面是如何执行此操作的示例:litellm.completion
from litellm import completion response = completion( model="ollama/llama3", messages=[{ "content": "respond in 20 words. who are you?", "role": "user"}], api_base="http://localhost:11434" ) print(response)
和LlamaIndex、LangChain整合使用
LangChain
from langchain_community.llms import Ollama llm = Ollama(model="llama3") llm.invoke("Why is the sky blue?")
Llamaindex
from llama_index.llms.ollama import Ollama llm = Ollama(model="llama3") llm.complete("Why is the sky blue?")
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。
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。