本地运行Llama3极简傻瓜教程

meta 4.19号放出了最新的开源模型，啪啪啪打某度的脸，甚至有网友调侃：“水一百度会开，人一百度会死”(暗讽某莆田xx西事件)！

废话不多说，开始我们的极简傻瓜教程。

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

1. 从官方网站下载 Ollama。

2. 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?")   

补充资料

什么是WSL

不知道各位小伙伴是否有听说过wsl呢？wsl的全程是Windows Subsystem for Linux，也就是windows的linux子系统，也就是我们用再安装虚拟机或者双系统，可以在windows上顺畅的运行linux。

安装指南如下：https://learn.microsoft.com/zh-cn/windows/wsl/install

在WSL中安装cuda来加速模型

前提是你的显卡是英伟达的，可以安装用来加速模型的推理，否则就要靠cpu，回答的速度会降低很多！

安装指南参考：https://github.com/ashishpatel26/Cuda-installation-on-WSL2-Ubuntu-20.04-and-Windows11

那么，如何学习大模型 AGI ？

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。

-END-

---

👉AGI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉AGI大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉AGI大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓