本地LLM部署--llama.cpp

--图源GitHub项目主页

概述

llama.cpp是以一个开源项目（GitHub主页：llamma.cpp），也是本地化部署LLM模型的方式之一，除了自身能够作为工具直接运行模型文件，也能够被其他软件或框架进行调用进行集成。

其自身支持C++编译，也兼容其他语言，如python（GitHub主页：llama-cpp-python）。默认编译流程设计更多针对 Linux/macOS，所以在 Windows 上需要额外设置和工具支持。

4种部署使用方案

以下是列举的已知的几种运行方案，推荐方案三的第二个，使用本地编译器编译再运行。

方案1：使用预编译可执行文件（不推荐）

1. 下载预编译可执行文件：
   • 打开 llama.cpp Releases 页面。

基于 CPU 的版本，这些版本针对不同的 CPU 指令集进行了优化：

• llama-b4393-bin-win-avx-x64.zip：支持 AVX 指令集的 64 位 Windows 版本。
• llama-b4393-bin-win-avx2-x64.zip：支持 AVX2 指令集的 64 位 Windows 版本。
• llama-b4393-bin-win-avx512-x64.zip：支持 AVX-512 指令集的 64 位 Windows 版本。
• llama-b4393-bin-win-noavx-x64.zip：不支持 AVX 指令集的 64 位 Windows 版本（适用于较旧的 CPU）。
• llama-b4393-bin-win-openblas-x64.zip ：使用 OpenBLAS 优化的 64 位 Windows 版本。
  基于 GPU 的版本，这些版本针对不同的 GPU 和计算框架进行了优化：
• cudart-llama-bin-win-cu11.7-x64.zip：支持 CUDA 11.7 的 64 位 Windows 版本。
• cudart-llama-bin-win-cu12.4-x64.zip：支持 CUDA 12.4 的 64 位 Windows 版本。
• llama-b4393-bin-win-cuda-cu11.7-x64.zip：支持 CUDA 11.7 的 64 位 Windows 版本。
• llama-b4393-bin-win-cuda-cu12.4-x64.zip：支持 CUDA 12.4 的 64 位 Windows 版本。
• llama-b4393-bin-win-hip-x64-gfx1030.zip：支持 AMD HIP 框架（针对 RDNA2 架构 GPU，如 RX 6000 系列）。
• llama-b4393-bin-win-hip-x64-gfx1100.zip：支持 AMD HIP 框架（针对 RDNA3 架构 GPU，如 RX 7000 系列）。
• llama-b4393-bin-win-hip-x64-gfx1101.zip：支持 AMD HIP 框架（针对 RDNA3 架构 GPU 的特定型号）。
• llama-b4393-bin-win-vulkan-x64.zip：支持 Vulkan API 的 64 位 Windows 版本。
• llama-b4393-bin-win-sycl-x64.zip：支持 SYCL 框架的 64 位 Windows 版本（适用于 Intel GPU）。
• llama-b4393-bin-win-kompute-x64.zip：支持 Kompute 框架的 64 位 Windows 版本（适用于 Vulkan GPU）。

针对特定平台的版本：这些版本针对特定的操作系统和硬件平台：

• llama-b4393-bin-macos-arm64.zip：针对 Apple Silicon（ARM64）的 macOS 版本。
• llama-b4393-bin-macos-x64.zip：针对 Intel x64 的 macOS 版本。
• llama-b4393-bin-ubuntu-x64.zip：针对 Ubuntu 的 64 位 Linux 版本。
• llama-b4393-bin-win-llvm-arm64-opencl-adreno.zip：针对 ARM64 设备（如 Adreno GPU）的 Windows 版本，支持 OpenCL。
• llama-b4393-bin-win-lvm-arm64.zip：针对 ARM64 设备的 Windows 版本。
• llama-b4393-bin-win-msvc-arm64.zip：针对 ARM64 设备的 Windows 版本，使用 MSVC 编译器。

2. 根据硬件和操作系统选择合适的版本，不知道指令集可以使用CPU-Z软件查看。下载并解压到本地文件夹，可以看到非常多的可执行文件。

核心可执行文件，用于模型推理、转换、量化等任务：

• llama-cli.exe：命令行工具，用于与 LLaMA 模型交互。
• llama-server.exe：启动一个本地服务器，提供模型推理服务。
• llama-simple.exe / llama-simple-chat.exe：简单的模型推理工具，支持聊天模式。
• llama-quantize.exe：用于量化模型，减少模型大小并提高推理速度。
• llama-convert-llama2c-to-ggml.exe：将 LLaMA 2 模型转换为 GGML 格式。
• llama-gguf.exe：处理 GGUF 格式的模型文件（GGUF 是 GGML 的升级版）。
• llama-embedding.exe：生成文本嵌入向量。
• llama-tokenize.exe：对文本进行分词。

依赖库，运行所需的动态链接库（DLL）：

• ggml.dll / ggml-base.dll / ggml-cpu.dll：GGML 库的核心文件，用于张量计算和模型推理。
• ggml-rpc.dll：用于远程过程调用（RPC）的 GGML 库。
• llava-shared.dll：与 LLaVA（LLaMA 视觉模型）相关的共享库。

测试和工具，用于测试和开发的可执行文件：

• test-gguf.exe：测试 GGUF 格式的模型文件。
• test-quantize-fns.exe / test-quantize-perf.exe：测试量化函数和性能。
• test-tokenizer-0.exe：测试分词器功能。
• test-c.exe。
• test-log.exe：测试日志功能。

其他工具，用于特定任务：

• llama-batched.exe：支持批量推理的工具。
• llama-parallel.exe：支持并行推理的工具。
• llama-speculative.exe / llama-speculative-simple.exe：支持推测解码的工具。
• llama-tts.exe：可能与文本到语音（TTS）相关的工具。
• llama-retrieval.exe：用于检索任务。
• llama-export-lora.exe：导出 LoRA（低秩适配）模型。

4. 准备模型文件：确保有 GGUF 格式的模型文件（如 Llama-3.2-1B-Instruct-Q8.gguf）。将文件放在与可执行文件相同的目录下，或者记住模型文件的路径。

5. 运行推理：使用命令行工具（如 llama-cli.exe）加载模型并生成文本。例如：

   llama-cli.exe -m Llama-3.2-1B-Instruct-Q8.gguf -p "hello，LLaMA！" -n 50 --temp 0.7

---

方法二：使用 Python 封装库（简单且灵活，但不推荐在Windows下配置，或者用anaconda或者推荐Linux或者MacOS）

1. 安装 Python 和 llama-cpp-python：

   • 确保你已安装 Python 和 pip，而且不满足环境要求很大概率会出现图片的失败：

     • Linux: gcc or clang
     • Windows: Visual Studio or MinGW
     • MacOS: Xcode

   • 在命令提示符运行：

     pip install llama-cpp-python

2. 准备模型文件： 下载 gguf 格式的模型文件。

3. 运行 Python 脚本： 创建并运行以下 Python 脚本：

   from llama_cpp import Llama
   
   # 替换为你的模型路径
   llm = Llama(model_path="path/to/model.gguf")
   response = llm("hello，世界！")
   print(response)

---

方法三：自行编译（适合需要自定义功能或最新版本的用户）

使用 Visual Studio 编译

1. 安装 Visual Studio：

   • 从 Visual Studio 官网 下载并安装。
   • 在安装时选择 C++ 桌面开发 工作负载。

2. 下载和配置 llama.cpp 源码：

   • 克隆项目：

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

   • 使用 cmake 生成工程文件：

     mkdir build
     cd build
     cmake .. -G "Visual Studio 17 2022"

   • 打开生成的 llama.cpp.sln，编译生成可执行文件。

3. 运行： 按照需求运行相关的EXE文件。

使用 MSYS2 和 MinGW 编译（推荐，如果非得在Windows平台跑）

1. 安装 MSYS2：

   MSYS2 是一个在 Windows 上提供类 Unix 环境的工具链，适合编译 C/C++ 项目。下载 MSYS2 安装程序：https://www.msys2.org/

   运行安装程序，按照提示完成安装。打开 MSYS2 UCRT64 终端。

   • 打开 MSYS2，安装必要工具MinGW和cmake：

     pacman -Syu
     pacman -S base-devel mingw-w64-x86_64-toolchain
     pacman -S mingw-w64-ucrt-x86_64-cmake mingw-w64-ucrt-x86_64-gcc

2. 下载源码解压后在终端进入文件夹 ，编译 llama.cpp：

   cd /path/to/llama.cpp-b4393
   mkdir build
   cd build
   cmake -G "MSYS Makefiles" ..
   make

   • .. 表示项目的根目录。
   • -G "MinGW Makefiles" 指定使用 MinGW 构建工具。
   • 如果有GPU：cmake -G "MSYS Makefiles" -DLLAMA_CUDA=ON ..
     
     

3. 运行chat：
   请注意，MSYS2终端默认设置下不支持和模型中文对话，可以尝试更改字符编码或者在其他地方如LMstudio进行尝试。

   	./llama-simple-chat.exe -m Llama-3.2-1B-Instruct-Q8_0.gguf

• llama-cli.exe ：命令行工具，支持交互式推理和批量推理。

  ./llama-cli.exe -m Llama-3.2-1B-Instruct-Q8_0.gguf -p "hello，LLaMA！" -n 50 --temp 0.7

• llama-simple.exe ：简单的推理工具，适合快速测试。

  ./llama-simple.exe -m Llama-3.2-1B-Instruct-Q8_0.gguf

• llama-simple-chat.exe ：简单的聊天工具，支持交互式对话。

  ./llama-simple-chat.exe -m Llama-3.2-1B-Instruct-Q8_0.gguf

• llama-server.exe ：启动本地服务器，通过 HTTP 请求与模型交互。

  ./llama-server.exe -m Llama-3.2-1B-Instruct-Q8_0.gguf

• llama-convert-llama2c-to-ggml.exe ：将 LLaMA 2 模型转换为 GGML 格式。

  ./llama-convert-llama2c-to-ggml.exe input_model.bin output_model.ggml

• llama-quantize.exe ：对模型进行量化，减少模型大小并提高推理速度。

  ./llama-quantize.exe Llama-3.2-1B-Instruct-Q8_0.gguf Llama-3.2-1B-Instruct-Q4_0.gguf Q4_0

• llama-embedding.exe ：生成文本嵌入向量。

  ./llama-embedding.exe -m Llama-3.2-1B-Instruct-Q8_0.gguf -p "hello，LLaMA！"

• llama-tokenize.exe ：对文本进行分词。

  ./llama-tokenize.exe -m Llama-3.2-1B-Instruct-Q8_0.gguf "hello，LLaMA！"

• llama-batched.exe ：支持批量推理的工具。

  ./llama-batched.exe -m Llama-3.2-1B-Instruct-Q8_0.gguf -p "hello，LLaMA！" -n 50

• llama-parallel.exe ：支持并行推理的工具。

  ./llama-parallel.exe -m Llama-3.2-1B-Instruct-Q8_0.gguf -p "hello，LLaMA！" -n 50

• test-gguf.exe ：测试 GGUF 格式的模型文件。

  ./test-gguf.exe Llama-3.2-1B-Instruct-Q8_0.gguf

• test-quantize-fns.exe / test-quantize-perf.exe ：测试量化函数和性能。

  ./test-quantize-fns.exe

• test-tokenizer-0.exe ：测试分词器功能。

  ./test-tokenizer-0.exe

• 启动聊天 ：

  ./llama-simple-chat.exe -m Llama-3.2-1B-Instruct-Q8_0.gguf

• 量化模型 ：

  ./llama-quantize.exe Llama-3.2-1B-Instruct-Q8_0.gguf Llama-3.2-1B-Instruct-Q4_0.gguf Q4_0

• 生成嵌入向量 ：

  ./llama-embedding.exe -m Llama-3.2-1B-Instruct-Q8_0.gguf -p "hello，LLaMA！"

---

方法四：使用 Docker（适合熟悉容器的用户）

1. 安装 Docker：

   • 从 Docker 官网 下载并安装。

2. 运行 llama.cpp 容器：

   • 在命令行运行：

     docker run -v /path/to/model:/models llama-cpp -m /models/model.gguf -p "hello，世界！"

替换 /path/to/model 为模型文件所在路径。