【Llama3:8b】手把手教你如何在本地部署 自己的 AI 大模型 (◍•ᴗ•◍)

一、为什么需要本地部署属于自己的大模型？

1. 趋势：我们正处于AI人工智能时代，各行各业的公司和产品都在向AI靠拢。打造垂直领域的AI模型将成为每个公司未来的发展趋势。
2. 数据安全：在无法掌握核心算法的情况下，许多公司选择使用大公司的成熟方案。然而，这涉及到数据安全的问题。训练垂直定制化的大模型需要大量数据，而数据是公司的核心资产和基石。没有公司愿意将这些关键数据上传到外部服务器，这是公司的命脉所在。
3. 本地部署的重要性：因此，本地部署和训练自有或定制化的大模型显��尤为重要。这不仅是未来的发展趋势，也是程序员必须掌握的关键流程和解决方案。

二、如何拥有属于自己的本地大模型呢？

经过博主深入评估和多次测试，为您推荐以下解决方案：

• 使用 Llama3:8b 作为模型
• 通过 Ollama 部署
• 利用 Llama.cpp 进行量化优化
• 采用 Unsloth 进行模型训练和微调

三、为什么要选择这个方案？

1、Llama3:8b

• 低算力需求和成本：Llama3:8b 对计算资源的需求较小，运营成本低。
• 卓越的上下文记忆能力：模型能够有效记住上下文，满足业务需求。
• 灵活的微调能力：适应不同的业务场景和需求。
• 开源：社区支持强大，开发者资源丰富。

2、Ollama

• 活跃的生态和开发者社区：提供丰富的资源和支持。
• 高效的部署和运行：确保模型的稳定性和性能。
• 灵活的 API 接口：满足业务对训练模型的多样化需求。
• 开源且易于使用：降低了上手难度，适合快速开发和迭代。

3、Llama.cpp

• 广泛支持 Llama3:8b 的量化工具：目前市面上对 Llama3:8b 支持最好的量化工具之一。
• 丰富的教程资源：学习和使用成本低。
• 开源：开发者可以自由使用和修改，社区贡献积极。

4、Unsloth

• 多样化的数据集支持：能够处理不同类型的数据，适应性强。
• 优异的性能：训练效果显著，能够提高模型的精度。
• 本地训练支持：对数据隐私有更好的保护。
• 开源：开发者可以自由访问和修改，提升了灵活性和可控性。

四、话不多说，让我们开始吧！

1、安装 Ubuntu 【NVIDIA GPU驱动安装】

为什么需要使用 GPU 去跑我们的大模型呢？

• 训练时间：使用GPU可以显著缩短模型的训练时间。例如，一个复杂的深度学习模型在GPU上可能只需要几小时，而在CPU上可能需要几天甚至几周。
• 模型推理：在推理阶段，尤其是需要处理大量实时数据时，GPU的高并行处理能力可以提供更快的响应时间和更高的吞吐量。

虽然CPU也可以用于运行大模型，但在处理深度学习任务时，GPU的并行计算能力、计算性能和专用硬件支持使其更为适合。GPU能够显著提升大模型的训练和推理效率，降低时间和功耗成本。

一、官方方案

参考文档：

CUDA Toolkit 12.4 Update 1 Downloads | NVIDIA Developer

二、方案二（经实践，简单 好用）

1、安装 CUDA:

官网脚本： developer.nvidia.com/cuda-toolki…

# 脚本文件命令（根据上述网站）
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/12.1.0/local_installers/cuda-repo-ubuntu2204-12-1-local_12.1.0-530.30.02-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu2204-12-1-local_12.1.0-530.30.02-1_amd64.deb
sudo cp /var/cuda-repo-ubuntu2204-12-1-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt search cuda-toolkit
sudo apt-get -y install cuda

2、安装驱动： shell

# 系统会推荐安装驱动的版本区间
sudo ubuntu-drivers devices
​
# 安装合适版本驱动
sudo apt-get install -y cuda-drivers-550
​
# 验证
nvidia-smi
watch -n 5 nvidia-smi

2、首先我们需要安装 Ollama

参考官方文档: GitHub - ollama/ollama: Get up and running with Llama 3, Mistral, Gemma, and other large language models.

方案 一：快速安装，只能安装最新版本，经检测 最新版有Bug。

curl -fsSL https://ollama.com/install.sh | sh

方案二：手动安装，自由灵活。

1、二进制文件下载。

sudo curl -L https://ollama.com/download/ollama-linux-amd64 -o /usr/bin/ollama

历史版本下载：

Releases · ollama/ollama (github.com)

2、给文件添加执行权限

sudo chmod +x /usr/bin/ollama

3、创建 ollama 用户

sudo useradd -r -s /bin/false -m -d /usr/share/ollama ollama

4、创建配置文件

vi /etc/systemd/system/ollama.service

配置文件参考

[Unit]
Description=Ollama Service
After=network-online.target
​
[Service]
ExecStart=/usr/bin/ollama serve
User=ollama
Group=ollama
Restart=always
RestartSec=3
​
# 监听端口
Environment="OLLAMA_HOST=0.0.0.0:11434"
# 模型下载位置 （需要给 ollama用户文件夹权限： sudo chown ollama:ollama ollama/）
Environment="OLLAMA_MODELS=/home/ek-p/ollama"
# 单模型并发数量
Environment="OLLAMA_NUM_PARALLEL=100"
# Gpu选择 （如有GPU，需要在硬件安装GPU去驱动，安装文档参考下文。）
Environment="CUDA_VISIBLE_DEVICES=0,1"
# 多模型并发数量
Environment="OLLAMA_MAX_LOADED_MODELS=3"
​
[Install]
WantedBy=default.target

5、启动 Ollama

sudo systemctl daemon-reload
sudo systemctl enable ollama

6、查看日志

journalctl -u ollama -r

7、问题：文件夹权限不够

May 16 16:24:25 ek-s systemd[1]: ollama.service: Failed with result 'exit-code'.
May 16 16:24:25 ek-s systemd[1]: ollama.service: Main process exited, code=exited, status=1/FAILURE
May 16 16:24:25 ek-s ollama[10780]: Error: mkdir /home/ekw-p: permission denied

sudo chown ollama:ollama ollama/ 

8、运行成功

继续查看日志

May 16 16:39:47 ek-s ollama[4183]: time=2024-05-16T16:39:47.384+08:00 level=INFO source=cpu_common.go:11 msg="CPU has AVX2"
May 16 16:39:47 ek-s ollama[4183]: time=2024-05-16T16:39:47.383+08:00 level=INFO source=gpu.go:127 msg="detected GPUs" count=1 library=/usr/lib/x86_64-li>
May 16 16:39:47 ek-s ollama[4183]: time=2024-05-16T16:39:47.125+08:00 level=INFO source=gpu.go:122 msg="Detecting GPUs"
May 16 16:39:47 ek-s ollama[4183]: time=2024-05-16T16:39:47.125+08:00 level=INFO source=payload.go:44 msg="Dynamic LLM libraries [cpu cpu_avx cpu_avx2 cu>
May 16 16:39:44 ek-s ollama[4183]: time=2024-05-16T16:39:44.222+08:00 level=INFO source=payload.go:30 msg="extracting embedded files" dir=/tmp/ollama1963>
May 16 16:39:44 ek-s ollama[4183]: time=2024-05-16T16:39:44.221+08:00 level=INFO source=routes.go:1034 msg="Listening on [::]:11434 (version 0.1.34)"
May 16 16:39:44 ek-s ollama[4183]: time=2024-05-16T16:39:44.220+08:00 level=INFO source=images.go:904 msg="total unused blobs removed: 0"
May 16 16:39:44 ek-s ollama[4183]: time=2024-05-16T16:39:44.220+08:00 level=INFO source=images.go:897 msg="total blobs: 0"

3、 接着我们需要使用 Ollama 运行我们的 大模型 Llama3:8b

1、使用 ollama 查看模型列表

ollama list

2、下载大模型

ollama Model 库：library (ollama.com)

经检测目前比较适用的大模型为：llama3:8b

ollama pull llama3:8b

3、运行大模型

ollama run llama3:8b

4、测试我们的大模型

成功。

​

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

这份完整版的大模型 AI 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】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含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。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。