llama.cpp的编译及使用
下载源码
llama.cpphttps://github.com/ggerganov/llama.cpp 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 https://huggingface.co/ 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
https://huggingface.co/meta-llama/Llama-2-7b-hf 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 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 
