Llama2通过llama.cpp模型量化 Windows&Linux本地部署

扎眼的阳光

11 月前

Table of Contents

Llama2通过llama.cpp模型量化 Windows&Linux本地部署

什么是LLaMA 1 and 2

LLaMA，它是一组基础语言模型，参数范围从7B到65B。在数万亿的tokens上训练的模型，并表明可以专门使用公开可用的数据集来训练最先进的模型，而无需求助于专有和不可访问的数据集。特别是，LLaMA-13B在大多数基准测试中都优于GPT-3（175B），并且LLaMA65B与最好的型号Chinchilla-70B和PaLM-540B具有竞争力。

Meta 出品的 Llama 续作 Llama2，一系列模型（7b、13b、70b）均开源可商用。Llama2 在各个榜单上精度全面超过 Llama1，同时也超过此前所有开源模型。

但是对于本机部署大模型，LLaMA要求相对于还是偏高，因此本次使用开源方案llama.cpp进行模型量化，在Windows平台进行CPU量化版本测试，Linux平台进行GPU量化版本测试。

注：以下所有下载步骤均需要科学上网，否则会很折磨。

实验设备详情（供参考）

Windows平台

为笔记本平台，拯救者Y9000P

CPU: 13th Intel i9-13900HX 1
GPU: NVIDIA GeForce RTX4060 (8GB) 1
内存: 32GB

运行情况：CPU流畅运行llama2-13B-chat 8Bit量化版本，卡顿运行16Bit量化版本。GPU版本加速超级快，相当于文心一言或者Chatgpt的生成速度。

运行情况：

Linux平台

实验室服务器

COU: 9th Intel® Core™ i9-9940X CPU @ 3.30GHz 14
GPU: NVIDIA GeForce RTX2080Ti (11GB) 4
内存: 64GB

运行情况：13B和7B都运行十分流程，但70B的不知道为啥突然下载不了了，没法测试。

模型部署详细步骤

下载并配置llama库

下载llama

git clone https://github.com/facebookresearch/llama.git

配置环境

创建虚拟环境，防止之前其他环境安装的包导致的冲突
```
conda create -n llama python=3.10
```
进入虚拟环境
```
conda activate llama
```
进入工程目录
```
cd llama
```
安装环境依赖
```
pip install -e .
```
申请模型下载链接

进入该链接：Mete website申请下载模型，内容如实填写，为了尽快通过，可以填写美国机构和学校，应该会快一些，当时没敢试国内的，怕被拒（被OpenAI搞怕了）

之后会来如下邮件，复制马赛克部分的网址：
下载模型
- Windows平台
```
sh download.sh
```
- Linux平台
```
bash download.sh
```
之后跟着流程将之前复制的链接粘贴进入即可，然后选择需要下载的模型，关于模型的区别可以自行Bing，chat版本的这里更加推荐，参数量方面7B的一般大部分设备都可以跑，我使用13B版本的也可以正常运行，根据个人所需进行选择。
- 注：Windows平台在下载的时候，可能会面临wget: command not found错误，跟下述链接进行即可
  
  关于在Windows10环境下运行.sh文件报错 wget: command not found的解决办法

下载并配置llama.cpp库

下载llama.cpp

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

cd llama.cpp

编译 Build
- Linux平台
  
  直接进入工程目录make即可：
```
make
```
  我在autodl服务器和实验室服务器实测都没有问题
- Windows平台
  
  Windows平台需要安装cmake和gcc，这个我本机此前有安装好，如果有没有安装的请自行百度安装
  
  编译：
```
mkdir build
```
```
cd build
```
```
cmake ..
```
```
cmake --build . --config Release
```

CUDA加速版编译，添加一部分指令即可

Linux平台
```
make LLAMA_CUBLAS=1
```

Windows平台

mkdir build
cd build
cmake .. -DLLAMA_CUBLAS=ON
cmake --build . --config Release

模型量化

准备数据

将llama中下载好的数据 (llama-2-7B-chat) 拷贝到llama.cpp中的./models中，同时将llama主目录中的tokenizer_checklist.chk和tokenizer.model也复制到./models中。

参考以下：

G:.
│  .editorconfig
│  ggml-vocab-aquila.gguf
│  ggml-vocab-baichuan.gguf
│  ggml-vocab-falcon.gguf
│  ggml-vocab-gpt-neox.gguf
│  ggml-vocab-llama.gguf
│  ggml-vocab-mpt.gguf
│  ggml-vocab-refact.gguf
│  ggml-vocab-starcoder.gguf
│  tokenizer.model
│  tokenizer_checklist.chk
│
└─13B
        checklist.chk
        consolidated.00.pth
        consolidated.01.pth
        params.json

进行量化

进入虚拟环境，安装依赖
```
cd llama.cpp
```
```
conda activate llama
```
安装依赖
```
pip install -r requirements.txt
```
进行16Bit转换
```
python convert.py models/13B/
```
这一步如果报错。修改./models/(模型存放文件夹)/params.json
将最后”vocab_size”:中的值改为32000即可
- Linux 4 or 8 bit量化
```
./quantize ./models/7B/ggml-model-f16.gguf ./models/7B/ggml-model-q4_0.gguf q4_0
```
  路径根据自己的路径进行调整，如果进行8bit量化，将命令中的q4_0改为q8_0:
```
./quantize ./models/7B/ggml-model-f16.gguf ./models/7B/ggml-model-q8_0.gguf q8_0
```
  8bit肯定比4bit好，但根据设备情况量力而行
- Windows 4 or 8 bit量化
```
.\build\bin\Release\quantize.exe .\models\13B\ggml-model-f16.gguf .\models\13B\7B\ggml-model-q4_0.gguf q4_0
```
  更改bit也参考上述

加载并启动模型

CPU版本

Windows平台

.\build\bin\Release\main.exe -m .\models\13B\ggml-model-q4_0.gguf  -n 256 -t 18 --repeat_penalty 1.0 --color -i -r "User:" -f .\prompts\chat-with-bob.txt

Linux平台

./main -m ./models/13B/ggml-model-q8_0.gguf  -n 256 -t 18 --repeat_penalty 1.0 --color -i -r "User:" -f .\prompts\chat-with-bob.txt

GPU加速

只需在命令中加上加上-ngl 1

其中可以对数量进行修改，最大为35，我在4060上实测20达到最佳

Windows平台

.\build\bin\Release\main.exe -m .\models\13B\ggml-model-q4_0.gguf  -n 256 -t 18 --repeat_penalty 1.0 --color -i -r "User:" -f .\prompts\chat-with-bob.txt -ngl 20

Linux平台

./main -m ./models/13B/ggml-model-q8_0.gguf  -n 256 -t 18 --repeat_penalty 1.0 --color -i -r "User:" -f ./prompts/chat-with-bob.txt -ngl 20

在提示符 > 之后输入你的prompt，cmd/ctrl+c中断输出，多行信息以\作为行尾。如需查看帮助和参数说明，请执行./main -h命令。下面介绍一些常用的参数：

-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）
-ins 启动类ChatGPT对话交流的instruction运行模式
-f 指定prompt模板，alpaca模型请加载prompts/alpaca.txt
-n 控制回复生成的最大长度（默认：128）
-b 控制batch size（默认：8），可适当增加
-t 控制线程数量（默认：4），可适当增加
--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

具体信息参考：https://github.com/ggerganov/llama.cpp/tree/master/examples/main

文章出处登录后可见！

已经登录？立即刷新