llama-cpp模型轻量化部署与量化

一、定义

定义
配置环境
遇到的问题，交互模式下模型一直输出，不会停止
模型量化
Qwen1.5-7B 案例demo

二、实现

定义
主要应用与cpu 上的部署框架。由c++完成。
配置环境
https://github.com/ggerganov/llama.cpp
https://github.com/echonoshy/cgft-llm/blob/master/llama-cpp/README.md
安装：

git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp

编译环境

sudo apt update
sudo apt install cmake

cpu:
cmake -B build_cpu
cmake --build build_cpu --config Release

部署：

cd /root/code/llama.cpp/build_cpu/bin/
#交互模式
./llama-cli -m /home/Llama3-8B-Chinese-Chat-GGUF/Llama3-8B-Chinese-Chat-q8_0-v2_1.gguf \
    -n -1 \
    -t 12 \                    #多线程
    --color \                 #输入有颜色
    -r "User:" \              #-r: 遇到User: 停止，等待输入
    --in-prefix " " \         #输入前缀
    -i \                      #交互模式
    -p \                      #输入prompt
'User: 你好
AI: 你好啊，我是光屿，要聊聊吗?
User: 好啊!
AI: 你想聊聊什么话题呢？
User:'

#接口模式
./llama-server \
    -m /home/Llama3-8B-Chinese-Chat-GGUF/Llama3-8B-Chinese-Chat-q8_0-v2_1.gguf \
    --host "0.0.0.0" \
    --port 8080 \
    -c 2048 \
    -ngl 128 \            
    --api-key "echo in the moon"

遇到的问题，交互模式下模型一直输出，不会停止，参数-r 不起作用

原因：容器内不支持中文，添加上中文输入法，问题解决。

安装语言包
apt update
apt install -y language-pack-zh-hans
设置环境变量
export LANG=zh_CN.UTF-8
启动终端
exec bash

Qwen1.5-7B 案例demo
1. 将qwen1.5 转为gguf
python convert-hf-to-gguf.py /home/Qwen1.5_7b --outfile /home/Qwen1.5_7b-GGUF/Qwen1.5_7b_v1.gguf

量化

cd llama.cpp/build_cuda/bin
./llama-quantize --allow-requantize /home/Qwen1.5_7b-GGUF/Qwen1.5_7b_v1.gguf /home/Qwen1.5_7b-GGUF/Qwen1.5_7b-q4_1-v1.gguf Q4_1

测试

./llama-cli -m /home/Qwen1.5_7b-GGUF/Qwen1.5_7b-q4_1-v1.gguf
-n -1
-ngl 256
-t 12
--color
-r "user："
--in-prefix " "
-i
-p
"user：：你好
AI: 你好啊，我是光屿，要聊聊吗?
user：好啊!
AI: 你想聊聊什么话题呢？
user："