大模型使用llama.cpp转换gguf格式并量化 | 新手炼丹记录(2)

鑫鑫04

已于 2024-09-05 20:16:14 修改

阅读量1.1w

点赞数 42

文章标签： llama 人工智能语言模型 python gpu算力

于 2024-09-05 16:54:57 首次发布

本文链接：https://blog.csdn.net/m0_73365120/article/details/141901884

版权

系列回顾

llama factory LoRA微调qwen大模型 | 新手炼丹记录(1)-CSDN博客

大模型使用llama.cpp转换gguf格式并量化 | 新手炼丹记录(2)-CSDN博客

ollama本地部署qwen微调大模型 | 新手炼丹记录(3)-CSDN博客

上一次我们详细介绍了大模型微调过程，但是微调完后的模型对于我们本地的电脑来说可能还是太大了，这个时候我们就需要对模型进行量化。当然为了方便我们将模型使用ollama部署在本地，我们还需要将原来safetensors格式的模型文件转化为gguf格式。

下面让我们来看一下具体应该怎么做：

一、llama.cpp的下载与编译

llama.cpp可以帮助我们转化模型为gguf格式、对模型进行量化以及进行模型推理等功能。

llama.cpp Github仓库：https://github.com/ggerganov/llama.cpp

1、下载llama.cpp

我们回到root目录下，再执行下载命令

cd ~
git clone https://github.com/ggerganov/llama.cpp.git

下载完成：

2、安装Python依赖

由于在llama.cpp项目中需要使用python脚本进行模型转换，我们需要提前配置好。这里我们再创建一个新的conda环境安装llama需要的依赖库（！！当然如果你觉得麻烦可以先往下看！）具体操作如下：

#创建虚拟环境
conda create -n llama python=3.10

#进入虚拟环境
conda activate llama

#进入工程目录
cd llama.cpp

#安装环境依赖
pip install -e .

当然也可以不重新配置环境，我实测之前llama_factory下载过的python环境可以直接运行llama.cpp的python脚本。所以可以直接进入llama_factory的虚拟环境。

conda activate llama_factory

3、编译安装

进入llama.cpp项目目录下，对于不同的平台需要执行不同编译指令，具体如下：

Linux：

#Linux编译指令

#直接进入工程目录make即可
make

#CUDA加速版编译
make GGML_CUDA=1

Windows：

#Windows编译指令

#Windows平台需要安装cmake和gcc，如果有没有安装的请自行百度安装
mkdir build
cd build
cmake ..
cmake --build . --config Release

#CUDA加速版编译
mkdir build
cd build
cmake .. -DLLAMA_CUBLAS=ON
cmake --build . --config Release

编译安装可能需要一段时间，这是正常的。编译完以后如下：

编译完后我是使用ls命令主要检查一下有没有存在llama-cli与llama-quantize两个可执行文件，我们后面会使用到，如果没有可能是在编译的时候出现了问题，可以使用“make clean”指令清除编译结果然后“make”重新编译。

编译完以后下面我们就可以使用llama.cpp进行模型的格式转换以及量化操作了。

二、llama.cpp的使用

！！注意：由于网上许多教程版本过低，许多原来的命令现在已经无法使用。通过查阅官方GitHub仓库说明，2024年6月官方对许多指令进行了重命名，多数在原命令前加上了“llama-”前缀，我们常用的就是llama-quantize与llama-cli。部分变动如下：

1、gguf格式转换

转换safetensors格式到gguf格式，我们主要使用的是llama.cpp提供的python脚本convert-hf-to-gguf.py。使用方式如下：

注意：指令均需要在llama.cpp项目文件夹下执行

python convert_hf_to_gguf.py --outfile <要导出的文件地址.gguf> <微调后的模型来源目录>

这里我选择在autodl-tmp目录下新建一个ggufs文件夹（绝对路径：/root/autodl-tmp/ggufs）保存转换以及量化后的gguf模型文件。

我的转换指令参考如下：

python convert_hf_to_gguf.py --outfile /root/autodl-tmp/ggufs/qwen7b_lora.gguf /root/autodl-tmp/exports

转换好后，我们就可以在刚才填入得文件夹中找到gguf格式得模型文件：

我们可以看到最终合并完后得模型文件还有15个G左右。

2、模型量化

将模型转化为gguf格式格式后，我们可以看到7b的模型大约还是有15~16GB左右，对于我们本地的电脑还是一笔不小的开销。那么我们就可以使用编译后得llama-quantize可执行文件来对模型进行进一步量化处理。量化可以帮助我们减少模型的大小，但是代价是损失了模型精度，也就是模型回答的能力可能有所下降。权衡以后我们可以选择合适的量化参数，保证模型的最大效益。

llama-quantize <原模型目录> <转换后的模型保存路径> <量化位数>

量化位数：

量化位数使用q表示，它代表存储权重（精度）的位数。q2、q3、q4… 表示模型的量化位数。例如，q2表示2位量化，q3表示3位量化，以此类推。量化位数越高，模型的精度损失就越小，模型的磁盘占用和计算需求也会越大。

我们使用llama-quantize量化模型，它提供各种量化位数的模型：Q2、Q3、Q4、Q5、Q6、Q8、F16。量化模型的命名方法遵循: Q + 量化比特位 + 变种。具体的量化参数可以在llama.cpp目录下使用./llama-quantize查看。部分示例如下：

对于7b的模型，下面我对其做一个q4量化，参考指令如下：

./llama-quantize /root/autodl-tmp/ggufs/qwen7b_lora.gguf /root/autodl-tmp/ggufs/qwen7b_lora_q4.gguf q4_0

量化完后，我们可以明显看到模型文件的大小小了许多，从原来的大约15GB缩小到了4GB左右，缩小了3倍。因此我们的量化作用还是很显著的。

三、模型下载

经过微调、转化以及量化后，我们就得到一个可以部署再ollama中使用的模型源文件。为了在本地部署我们的大模型，我们还需要将上面训练好的模型文件下载到本地。下面主要有两种下载方式：

1、网页直接下载

这种方法虽然简单，但是不是很推荐，因为我们的模型文件一是比较大，很容易传到一半会莫名失败，二是容易受到网络波动的影响，也很容易失败。

下面是操作流程：

2、使用FileZilla连接服务器下载

这种方式比较稳定，基本都能下载成功。首先需要我们下载FileZilla客户端，我们找到Windows64位的绿色版，直接下载后解压缩即可使用：

打开后我们点击“文件”，在“文件”中点击站点管理器：

点击“新站点”，接下来我们要依次配置AutoDL服务器连接：

我们新建一个文本文件用于记录我们的SSH连接信息，然后回到我们的AutoDL实例控制台：

这里涉及一些隐私我就做了个浅码。我们按照这个信息去配置我们FileZilla中的连接：

然后我们还需要设置一下本地下载的路径地址：

最后点击“连接“，如果出现下图的提示直接信任、确认即可：

确认以后我们就可以看到已经成功连接上了远程的主机：

接着我们在右侧服务器文件栏找到我们训练好的gguf模型文件，右键下载即可：

这样等待文件下载完毕，我们就可以在本地看到gguf模型文件了：

四、结束

到这里我们对模型的格式转换以及量化也都已成完成了，并且还成功的使用FileZilla将gguf文件传输到了我们的本地。如果大家还有疑问，可以在下方评论区留言。或者有哪里写的不对的也可以在评论区指出。下一期我将介绍如何将gguf文件使用Ollama部署到本地。