我们将学习一种无需设置Python或任何程序即可安装和使用LlaMA 2的简单方法。只需下载文件并在PowerShell中运行命令即可。
微信搜索关注《Python学研大本营》，加入读者群，分享更多精彩
图像由DALL·E 3生成
一、简介
像LLaMA 2这样的新开源模型已经变得相当先进，并且可以免费使用。可以在商业上使用它们，也可以根据自己的数据进行微调，以开发专业版本。凭借其易用性，现在可以在自己的设备上本地运行它们。
在这里，我们将学习如何下载所需的文件和LLaMA 2模型，以运行CLI程序并与AI助手进行交互。设置非常简单，即使是非技术用户或学生也可以按照这几个基本步骤进行操作。
二、下载Llama.cpp用于GPU机器
要在本地安装llama.cpp，最简单的方法是从llama.cpp releases中下载预编译的可执行文件。
【下载链接】：https://github.com/ggerganov/llama.cpp/releases
要在配备有NVIDIA GPU的Windows 11上安装它，我们首先需要下载llama-master-eb542d3-bin-win-cublas-[version]-x64.zip文件。下载完成后，将其解压缩到你选择的目录中。建议创建一个新文件夹并将所有文件提取到其中。
接下来，我们将下载cuBLAS驱动程序cudart-llama-bin-win-[version]-x64.zip，并将其解压缩到主目录中。要使用GPU加速，你有两个选项：NVIDIA GPU的cuBLAS和AMD GPU的clBLAS。
注意：[version]是指本地系统上安装的CUDA版本。可以通过在终端中运行
nvcc --version来检查它。
三、下载模型
首先，在主目录中创建一个名为“Models”的文件夹。在Models文件夹中，创建一个名为“llama2_7b”的新文件夹。接下来，从Hugging Face hub下载LLaMA 2模型文件。你可以选择任何喜欢的版本，但在本指南中，我们将下载llama-2-7b-chat.Q5_K_M.gguf文件。下载完成后，将文件移动到刚刚创建的“llama2_7b”文件夹中。
【下载链接】：https://huggingface.co/TheBloke/Llama-2-7B-Chat-GGUF/tree/main
注意：为了避免出现任何错误，请确保在运行模型之前只下载
.gguf模型文件。
四、启动AI助手CLI程序
现在可以在主目录中打开终端。通过右键单击并选择“Open in Terminal”选项。你也可以打开PowerShell并使用“cd”来更改目录。
复制并粘贴下面的命令，然后按“Enter”键。我们正在执行带有模型目录位置、gpu、颜色和系统提示参数的main.exe文件。
./main.exe -m .\Models\llama2_7b\llama-2-7b-chat.Q5_K_M.gguf -i --n-gpu-layers 32 -ins --color -p "<<SYS>> As an AI assistant, your core values include being supportive, considerate, and truthful, ensuring that every interaction is guided by clarity and helpfulness. <</SYS>>"
我们的llama.ccp CLI程序已成功初始化并附带了系统提示。它告诉我们，它是一个有用的AI助手，并显示了各种可用的命令。
五、在PowerShell中本地使用LLaMA 2
让我们通过提供提示在PowerShell中测试LLaMA 2。我们提出了一个关于地球年龄的简单问题。
答案非常准确。让我们问一个关于地球的后续问题。
正如所看到的，该模型为我们提供了有关我们星球的多个有趣事实。
可以要求AI助手在终端中生成代码和解释，然后可以很轻松地复制并在集成开发环境（IDE）中使用。
完美。
六、结论
在本地运行LLaMA 2为我们提供了一个功能强大且易于使用的定制化聊天机器人体验。通过按照这个简单的指南操作，可以快速学习如何建立、设置自己的私人聊天机器人，而不需要依赖付费服务。
在本地运行LLaMA 2的主要优势是对数据和对话的完全控制，以及没有使用限制。可以与机器人进行无限次数的聊天，甚至可以对其进行微调以改善回答。
虽然与即时可用的云AI API相比时不太方便，但本地设置可以保护数据隐私，数据将完全存储在自己的设备上，无需担心泄露。
推荐书单
《面向移动设备的深度学习—基于TensorFlow Lite，ML Kit和Flutter》
《面向移动设备的深度学习—基于TensorFlow Lite，ML Kit和Flutter》详细阐述了与移动设备深度学习开发相关的基本解决方案，主要包括使用设备内置模型执行人脸检测、开发智能聊天机器人、识别植物物种、生成实时字幕、构建人工智能认证系统、使用AI生成音乐、基于强化神经网络的国际象棋引擎、构建超分辨率图像应用程序等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。
《面向移动设备的深度学习—基于TensorFlow Lite，ML Kit和Flutter》
https://item.jd.com/14001258.html
精彩回顾
微信搜索关注《Python学研大本营》，加入读者群，分享更多精彩
访问【IT今日热榜】，发现每日技术热点
2634
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
