人工智能——使用Ollama部署本地大模型

于 2024-08-21 11:53:10 发布
阅读量524 收藏 19
点赞数 19
文章标签： 人工智能 transformer 安全 深度学习 运维
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_72959097/article/details/141389874
版权

1、简介

在如今的 AI 应用领域中，大模型（LLM，Large Language Models）已然成为推动前沿技术发展的关键力量。其中的 Top1 当属 OpenAI 的 GPT 系列无疑，它通过大规模的数据训练、可以执行高质量的语言处理任务，如聊天问答、文本生成、翻译等。

去年，ChatGPT 引入了定制个人知识库的支持，该功能采用了检索增强（RAG，Retrieval-Augmented Generation）技术，它使得模型能够在生成回答前、先从知识库中检索相关信息，显著提高了输出的准确性和信息量。然而，由于网络环境、隐私和政策等原因，导致线上知识库在使用时面临诸多限制，这促使更多人开始寻求部署自己的本地大模型和知识库。不过，当下各种大模型野蛮生长，没有统一的管理标准，虽然开源免费的很多、但部署到本地的门槛也不低。直到 Ollama 的出现 …

Ollama 是一个大模型的管理框架，其作用类似于 Docker：如果将每一个标准化的大模型视为“镜像”，那么 Ollama 就能够通过一行命令快速拉取并运行这些大模型。然而，Ollama 本身是基于命令行的服务，所以为了方便我们对大模型进行微调和使用，还需要引入 maxkb 。maxkb 提供了一个 ChatBot 界面，它会把我们输入的结构化知识、转换成大模型可以理解的语言（即嵌入向量），从而实现有效的交互。在本文中，将会引导大家何利用 Ollama 快速搭建本地的大模型服务，并结合 maxkb 构建一个私人定制知识库。

2、优势

  • 开源免费： Ollama 及其支持的模型完全开源免费，任何人都可以自由使用、修改和分发。

  • 简单易用： 无需复杂的配置和安装过程，只需几条命令即可启动和运行 Ollama。

  • 模型丰富： Ollama 支持 Llama 3、Mistral、Qwen2 等众多热门开源 LLM，并提供一键下载和切换功能。

  • 资源占用低： 相比于商业 LLM，Ollama 对硬件要求更低，即使在普通笔记本电脑上也能流畅运行。

  • 社区活跃： Ollama 拥有庞大且活跃的社区，用户可以轻松获取帮助、分享经验和参与模型开发。

3、如何使用

  • 安装 Ollama： 根据你的操作系统，从 Ollama 官网 下载并安装最新版本。

  • 启动 Ollama： 打开终端或命令行，输入 ollama serve 命令启动 Ollama 服务器。

  • 下载模型： 在模型仓库 找到想要的模型，然后使用 ollama pull 命令下载，例如 ollama pull llama3:70b 。

  • 运行模型： 使用 ollama run 命令启动模型，例如 ollama run llama3:70b 。

  • 开始聊天： 在终端中输入你的问题或指令，Ollama 会根据模型生成相应的回复。

4、模型库

Ollama 支持在 ollama.com/library 上获取的模型列表，以下是一些可下载的示例模型：

ModelParametersSizeDownload
Llama 38B4.7GBollama run llama3
Llama 370B40GBollama run llama3:70b
Mistral7B4.1GBollama run mistral
Dolphin Phi2.7B1.6GBollama run dolphin-phi
Phi-22.7B1.7GBollama run phi
Neural Chat7B4.1GBollama run neural-chat
Starling7B4.1GBollama run starling-lm
Code Llama7B3.8GBollama run codellama
Llama 2 Uncensored7B3.8GBollama run llama2-uncensored
Llama 2 13B13B7.3GBollama run llama2:13b
Llama 2 70B70B39GBollama run llama2:70b
Orca Mini3B1.9GBollama run orca-mini
LLaVA7B4.5GBollama run llava
Gemma2B1.4GBollama run gemma:2b
Gemma7B4.8GBollama run gemma:7b
Solar10.7B6.1GBollama run solar

注意：运行 7B 模型至少需要 8 GB 的 RAM，运行 13B 模型需要 16 GB，运行 33B 模型需要 32 GB。

5、安装Ollama

\[root@mast01 ~\]\# curl -fsSL https://ollama.com/install.sh | sh  
\>>> Downloading ollama...  
######################################################################## 100.0%  
\>>> Installing ollama to /usr/local/bin...  
\>>> Creating ollama user...  
\>>> Adding ollama user to video group...  
\>>> Adding current user to ollama group...  
\>>> Creating ollama systemd service...  
\>>> Enabling and starting ollama service...  
Created symlink from /etc/systemd/system/default.target.wants/ollama.service to /etc/systemd/system/ollama.service.  
\>>> The Ollama API is now available at 127.0.0.1:11434.  
\>>> Install complete. Run "ollama" from the command line.  
WARNING: No NVIDIA/AMD GPU detected. Ollama will run in CPU-only mode.  
  
\[root@mast01 ~\]\# ollama run llama3  
pulling manifest   
pulling 6a0746a1ec1a... 100% ▕███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ 4.7 GB                           
pulling 4fa551d4f938... 100% ▕███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏  12 KB                           
pulling 8ab4849b038c... 100% ▕███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏  254 B                           
pulling 577073ffcc6c... 100% ▕███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏  110 B                           
pulling 3f8eb4da87fa... 100% ▕███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏  485 B                           
verifying sha256 digest   
writing manifest   
removing any unused layers   
success   
\>>>  #直接退出即可
查看下服务状态
\[root@mast01 ~\]\# systemctl status ollama  
● ollama.service \- Ollama Service  
   Loaded: loaded (/etc/systemd/system/ollama.service; enabled; vendor preset: disabled)  
   Active: active (running) since 四 2024\-08-15 19:02:40 CST; 3s ago  
 Main PID: 128252 (ollama)  
    Tasks: 10  
   Memory: 414.1M  
   CGroup: /system.slice/ollama.service  
           └─128252 /usr/local/bin/ollama serve
修改端口
#默认只能本地访问  
\[root@mast01 ~\]\# netstat -tunlp|grep ollama  
tcp        0      0 127.0.0.1:11434         0.0.0.0:\*               LISTEN      23094/ollama       
  
\[root@mast01 ~\]\# vim /etc/systemd/system/ollama.service  
\[Service\]  
Environment\="OLLAMA\_HOST=0.0.0.0"
更改模型存放位置
\[root@mast01 ~\]\# vim /etc/systemd/system/ollama.service  
\[Service\]  
Environment\="OLLAMA\_MODELS=/data/ollama/models"
指定运行GPU
#如果有多张 GPU，可以对 CUDA\_VISIBLE\_DEVICES 配置，指定运行的 GPU，默认使用多卡  
\[root@mast01 ~\]\# vim /etc/systemd/system/ollama.service  
Environment\="CUDA\_VISIBLE\_DEVICES=0,1"
重启 ollama
\[root@mast01 ~\]\# systemctl daemon-reload  
\[root@mast01 ~\]\# systemctl restart ollama

6、安装maxkb

MaxKB 是一款基于 LLM 大语言模型的知识库问答系统，由飞致云开发。通过MaxKB可以实现在网页上可视化使用大语言模型。本次采用docker的方式直接部署。

\[root@mast01 ~\]\# docker run -d --name=maxkb -p 8080:8080 -v ~/.maxkb:/var/lib/postgresql/data cr2.fit2cloud.com/1panel/maxkb
访问（默认账号：admin 密码：MaxKB@123…）

7、导入模型

系统管理---->模型设置---->Ollama---->添加模型

模型配置（API Key处任意输入：我这里输的是*）

点击修改之后，会自动导入配置

8、创建应用

在应用处点击创建应用

输入自定义的应用名称，我这里输入ai

选择关联好的ai模型，点击右上角的保存并发布

回到概览，点击演示。可以根据需求修改参数

即可对话大语言模型

那么，如何系统的去学习大模型LLM？

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。

作为一名热心肠的互联网老兵，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。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

篇幅有限，部分资料如下：

👉LLM大模型学习指南+路线汇总👈

💥大模型入门要点，扫盲必看！
在这里插入图片描述
💥既然要系统的学习大模型，那么学习路线是必不可少的，这份路线能帮助你快速梳理知识，形成自己的体系。

路线图很大就不一一展示了 （文末领取）
在这里插入图片描述

👉大模型入门实战训练👈

💥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。
在这里插入图片描述

👉国内企业大模型落地应用案例👈

💥两本《中国大模型落地应用案例集》 收录了近两年151个优秀的大模型落地应用案例，这些案例覆盖了金融、医疗、教育、交通、制造等众多领域，无论是对于大模型技术的研究者，还是对于希望了解大模型技术在实际业务中如何应用的业内人士，都具有很高的参考价值。 （文末领取）
在这里插入图片描述

👉GitHub海量高星开源项目👈

💥收集整理了海量的开源项目，地址、代码、文档等等全都下载共享给大家一起学习！
在这里插入图片描述

👉LLM大模型学习视频👈

💥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。 （文末领取）
在这里插入图片描述

👉640份大模型行业报告（持续更新）👈

💥包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
在这里插入图片描述

👉获取方式：

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓

可乐鸡翅面
关注
  • 19
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
ollama 本地部署大模型
03-17 4万+
根据 ChatGPT 的使用经验，多数人都已知晓系统提示词的重要性。好的系统提示词能有效地将大模型定制成自己需要的状态。在 Ollama 中，有多种方法可以自定义系统提示词。首先，不少 Ollama 前端已提供系统提示词的配置入口，推荐直接利用其功能。此外，这些前端在底层往往是通过API"content": "以海盗的口吻简单作答。},"content": "天空为什么是蓝色的？],}'其中role为system的消息即为系统提示词。
大模型实战—Ollama 本地部署大模型
2401_84052244的博客
04-25 763
根据 ChatGPT 的使用经验，多数人都已知晓系统提示词的重要性。好的系统提示词能有效地将大模型定制成自己需要的状态。在 Ollama 中，有多种方法可以自定义系统提示词。首先，不少 Ollama 前端已提供系统提示词的配置入口，推荐直接利用其功能。此外，这些前端在底层往往是通过APIcurl -d '{"content": "以海盗的口吻简单作答。},"content": "天空为什么是蓝色的？],}'其中role为system的消息即为系统提示词。
本地部署大模型？Ollama 部署和实战，看这篇就够了
u010522887的专栏
07-24 6053
Ollama 也许是当前最便捷的大模型部署工具，配合Open WebUI，人人都可以拥有大模型自由。
手撸私有AI大模型——ollama本地部署私有大模型
vscene的博客
05-17 1632
不用docker在windows环境下安装ollama实现本地部署私有大模型，普通人也可以在本机上运行一个chatgpt
本地部署AI大模型 —— Ollama文档中文翻译
Dianajr的博客
06-09 2104
Ollama支持在Modelfile中导入GGUF模型:创建一个名为Modelfile的文件, 使用带有要导入的模型的本地文件路径的“FROM”指令。在 Ollama 里创建模型运行模型从Ollama 库下载的大模型可以用prompt 自定义. 例如, 要自定义llama3创建Modelfile# 将参数设置为1[越高越有创意，越低越连贯]# 设置系统信息SYSTEM """""">>> hiHello!有关更多示例，请参阅examples目录。有关使用模型文件的更多信息，请参阅。
【大语言模型】本地快速部署Ollama运行大语言模型详细流程
热门推荐
檀越的博客
06-17 3万+
本文主要介绍如何在 Windows 系统快速部署 Ollama 开源大语言模型运行工具，并安装 Open WebUI 结合 cpolar 内网穿透软件，实现在公网环境也能访问你在本地内网搭建的 llama2、千文 qwen 等大语言模型运行环境。
【linux 使用ollama部署运行本地大模型完整的教程，openai接口， llama2例子】
qq_39749966的博客
03-10 8019
【linux 使用ollama部署运行本地大模型完整的教程，openai接口， llama2例子】
Ollama教程——入门：开启本地大型语言模型开发之旅
walkskyer的博客
04-02 1万+
ollama不仅支持运行预构建的模型，还提供了灵活的工具来导入和自定义您自己的模型。无论是从GGUF格式导入还是进行模型的个性化设置，ollama都能满足您的需求。您还可以通过自定义提示来调整模型的行为。接着，创建一个ModelfileFROM llama2 # 设置创造性更高的温度参数 PARAMETER temperature 1 # 设置系统消息 SYSTEM "" "你是超级马里奥，以马里奥的身份回答问题。"" "这样，您就能按照自己的需求定制模型了。
使用Ollama本地部署Llama 3.1大模型
xzp740813的博客
08-09 1056
Llama 3.1 介绍2024 年 7 月 24 日，Meta 宣布推出迄今为止最强大的开源模型——Llama 3.1 405B，Llama 3.1 405B 支持上下文长度为 128K Tokens， 增加了对八种语言的支持，号称第一个在常识、可操纵性、数学、工具使用和多语言翻译方面与顶级人工智能模型相媲美的模型。当然 405B 新一代大模型所需要的算力成本也是巨大的，一般的中小型企业和个人需要慎重评估一下成本与产出是否值得应用。
本地部署开源大模型的完整教程LangChain + Streamlit+ Llama
09-23
LangChain能够使用大部分的LLM来创建应用程序。 二、LLaMA LLaMA是一个由Meta AI设计的大型语言模型，拥有70亿到650亿个参数的模型集合，是目前最全面的语言模型之一。LLaMA模型可以预测给定输入后最可能出现的...
GPT4ALL AI 大模型本地部署
01-02
大模型本地部署开源包，支持将开源的大模型在本地机器上进行部署，同时提供chat客户端，可以免费使用大语言模型，支持中文，可实现类似chatGPT的效果，支持各种中英文翻译、支持各种编程语言的自动代码生成，支持...
《AI大模型应用》--ollama本地部署通义千问.zip
07-15
个人深耕AI大模型应用领域积累的成果，希望对您有所帮助。有大模型账号、环境问题、AI大模型技术应用落地方案等相关问题，欢迎详聊，能为您解决问题是我的荣幸！ 个人深耕AI大模型应用领域积累的成果，希望对您有所...
《AI大模型》--使用nextjs本地化部署AI大模型gemma.zip
03-22
人工智能学习总结成果，希望可以帮到大家，有疑问欢迎随时沟通~ 人工智能学习总结成果，希望可以帮到大家，有疑问欢迎随时沟通~ 人工智能学习总结成果，希望可以帮到大家，有疑问欢迎随时沟通~ 人工智能学习总结...
AI赋能软件测试：从自动化到智能化，让测试工作事半功倍
m0_64146991的博客
08-15 620
APP端测试，专项测试，测试工具
24 优化算法
kaszxc的博客
08-19 338
深度学习模型大多是非凸的所以关于凸优化的很多理论无法使用小批量随机梯度下降是最常用的优化算法冲量对梯度做平滑冲量法是一个简单的稳定优化的算法Adam 对梯度做平滑，且对梯度各个维度值做重新调整通过实践发现，Adam 不一定比冲量法准确率高或者是收敛快，但是整体来讲 Adam 是比较稳定的，Adam 对学习率不那么敏感，使得调参相对来讲会更加容易一点范围之中（进行维度上的调整）分母中的 ε 的作用是保证分母不等于零。
天猫商品详情API：深度挖掘商品推荐与关联的新路径
最新发布
2401_85789772的博客
08-20 418
天猫商品详情API是天猫开放平台提供的一项服务，旨在帮助开发者获取天猫平台上商品的详细信息，包括但不限于商品标题、价格、销量、描述、图片以及推荐与关联商品等。这一接口不仅为购物者提供了丰富的商品信息，也为商家和开发者提供了强大的数据支持，助力其优化商品展示策略，提升用户购物体验。天猫商品详情API为开发者提供了深入挖掘商品推荐与关联信息的新途径。通过合理利用这一接口，开发者可以实现精准的商品推荐与关联展示，提升用户体验和平台运营效率。
[RIS]Bridging Vision and Language Encoders
weixin_45863274的博客
08-15 1318
在本文中，我们对参考图像分割的高效调整问题进行了研究。我们提出了一种名为 Bridger 的新型适配器，以促进跨模态信息交换，并将特定任务信息注入预训练模型。我们还设计了用于图像分割的轻量级解码器。通过在具有挑战性的基准上进行评估，我们的方法仅需 1.61% 至 3.38% 的主干参数更新即可实现相当或更优的性能。
吴恩达机器学习-C2W2-Relu(线性整流函数)
weixin_50946965的博客
08-18 1205
吴恩达机器学习实验室中文翻译-C2W2-Relu
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值