5.llama.cpp编译及使用

llama.cpp的编译及使用

下载源码

• llama.cpp

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

• ggml 向量库

  https://github.com/ggerganov/ggml

安装依赖库

• cmake 编译：版本稍高一些，我的是3.22

编译

支持cuda

cd llama.cpp
mkdir build
cd build
cmake .. -DLLAMA_CUBLAS=ON
make -j8

最后在build/bin目录下生成

下载模型

• meta官网下载，贼麻烦

  https://ai.meta.com/llama/

  https://huggingface.co/meta-llama

• huggingface下载

  https://huggingface.co/

• Linly: 国内Linly开源

  https://github.com/CVI-SZU/Linly

模型量化

模型量化的python代码在llama.cpp下面找到。在硬件资源有限的情况下才对模型进行量化。

在build/bin找到quantize

• 模型下载

  https://huggingface.co/meta-llama/Llama-2-7b-hf

• 模型转换
  convert the 7B model to ggml FP16 format 默认做当前目录下生成ggml模型ggml-model-f16.bin

  python convert.py models/llama-2-7b-hf/

在较新版本默认生成的是ggml-model-f16.gguf

• 模型量化
  quantize the model to 4-bits (using q4_0 method) 进一步对FP16模型进行4-bit量化

  ./quantize ./models/llama-2-7b-hf/ggml-model-f16.bin ./models/llama-2-7b-hf/ggml-model-q4_0.bin q4_0

模型推理

在build/bin找到main

./main -ngl 30 -m ./models/llama-2-7b-hf/ggml-model-q4_0.bin --color -f  ./prompts/chat-with-vicuna-v0.txt -ins -c 2048 --temp 0.2 -n 4096 --repeat_penalty 1.0

Linly模型

自己动手处理

运行测试

• 测试用脚本

  #!/bin/bash

  llama 推理

  #./main -ngl 30 -m ./models/7B/ggml-model-alpaca-7b-q4_0.gguf --color -f ./prompts/chat-with-vicuna-v0.txt -ins -c 2048 --temp 0.2 -n 4096 --repeat_penalty 1.3

  linly 基础模型

  #./main -ngl 30 -m ./models/7B/linly-ggml-model-q4_0.bin --color -f ./prompts/chat-with-vicuna-v0.txt -ins -c 2048 --temp 0.2 -n 4096 --repeat_penalty 1.0

  linly chatflow模型

  ./main -ngl 30 -m ./models/chatflow_7b/linly-chatflow-7b-q4_0.bin --color -f ./prompts/chat-with-vicuna-v0.txt -ins -c 2048 --temp 0.2 -n 4096 --repeat_penalty 1.0

  whisper llama

  #./whisper/talk-llama -l zh -mw ./models/ggml-small_q4_0.bin -ml ./models/7B/ggml-model-alpaca-7b-q4_0.gguf -p "lfrobot" -t 8 -c 0 -vth 0.6 -fth 100 -pe

• 参数说明
  比较重要的参数：

  -ins 启动类ChatGPT的对话交流模式
  -f 指定prompt模板，alpaca模型请加载prompts/alpaca.txt 指令模板
  -c 控制上下文的长度，值越大越能参考更长的对话历史（默认：512）
  -n 控制回复生成的最大长度（默认：128）
  --repeat_penalty 控制生成回复中对重复文本的惩罚力度
  --temp 温度系数，值越低回复的随机性越小，反之越大
  --top_p, top_k 控制解码采样的相关参数
  -b 控制batch size（默认：512）
  -t 控制线程数量（默认：8），可适当增加
  -ngl 使用cuda核心数
  -m 指定模型