llama.cpp模型推理之界面篇
目次
前言
一、llama.cpp 目次结构
二、llama.cpp 之 server 学习
1. 介绍
2. 编译部署
3. 启动服务
4、扩展或构建其他的 Web 前端
5、其他
前言
在《基于llama.cpp学习开源LLM当地部署》这篇中介绍了基于llama.cpp学习开源LLM当地部署。在最后简单介绍了API 的调用方式。不习惯命令行的同鞋，也可以试试 llama.cpp 界面的交互方式，本章就详细介绍一下server。
一、llama.cpp 目次结构
https://img-blog.csdnimg.cn/direct/4b71369673894d5789c9b9820a72dd5d.png
整个目次比较简洁，没多少东西，以最少的代码实现最全的功能，值得学习。文档都很全，基本上在学习该推理框架时遇到或者没有想到，你都能在根目次或子目次的README.md 找到。
本章主要讲 server的界面。可以在examples/server下看看README。或者直接翻到根目次下打开README.md. 找到如下点击：
https://img-blog.csdnimg.cn/direct/0afed2816047485da26fb117be8381e4.png
二、llama.cpp 之 server 学习
1. 介绍
llama.cpp 的 server 服务是基于 httplib 搭建的一个简单的HTTP API服务和与llama.cpp交互的简单web前端。
server命令参数：
[*]--threads N, -t N: 设置生成时要使用的线程数.
[*]-tb N, --threads-batch N: 设置批处理和提示处理期间使用的线程数。如果未指定，则线程数将设置为用于生成的线程数
[*]-m FNAME, --model FNAME: 指定 LLaMA 模型文件的路径（比方，models/7B/ggml-model.gguf）.
[*]-a ALIAS, --alias ALIAS: 设置模型的别名。别名将在 API 响应中返回.
[*]-c N, --ctx-size N: 设置提示上下文的大小。默认值为 512，但 LLaMA 模型是在 2048 的上下文中构建的，这将为更长的输入/推理提供更好的结果。其他模型的大小可能有所差别，比方，百川模型是在上下文为 4096 的环境下构建的.
[*]-ngl N, --n-gpu-layers N: 当使用适当的支持（目前为 CLBlast 或 cuBLAS）进行编译时，此选项答应将某些层卸载到 GPU 进行计算。通常会导致性能进步.
[*]-mg i, --main-gpu i: 使用多个 GPU 时，此选项控制哪个 GPU 用于小张量，对于这些张量，在全部 GPU 之间拆分计算的开销是不值得的。有问题的 GPU 将使用稍多的 VRAM 来存储暂存缓冲区以得到临时结果。默认环境下，使用 GPU 0。需要 cuBLAS.
[*]-ts SPLIT, --tensor-split SPLIT: 使用多个 GPU 时，此选项控制应在全部 GPU 之间拆分多大的张量。SPLIT 是一个以逗号分隔的非负值列表，用于分配每个 GPU 应按次序获取的数据比例。比方，“3,2”会将 60% 的数据分配给 GPU 0，将 40% 分配给 GPU 1。默认环境下，数据按 VRAM 比例拆分，但这可能不是性能的最佳选择。需要 cuBLAS.
[*]-b N, --batch-size N: 设置用于提示处理的批大小。默认值：512.
[*]--memory-f32: 使用 32 位浮点数而不是 16 位浮点数来表现内存键 + 值。不保举.
[*]--mlock: 将模型锁定在内存中，防止在内存映射时将其换出.
[*]--no-mmap: 不要对模型进行内存映射。默认环境下，模型映射到内存中，这答应系统根据需要仅加载模型的必要部门.
[*]--numa: 尝试对某些 NUMA 系统有帮助的优化.
[*]--lora FNAME: 将 LoRA（低秩适配）适配器应用于模型（隐含 --no-mmap）。这答应您使预训练模型适应特定任务或领域.
[*]--lora-base FNAME: 可选模型，用作 LoRA 适配器修改的层的基础。此标记与 --lora 标记结合使用，并指定适配的基本模型.
[*]-to N, --timeout N: 服务器读/写超时（以秒为单元）。默认值：600.
[*]--host: 设置要侦听的主机名或 IP 所在. 默认 127.0.0.1.
[*]--port: 将端口设置为侦听。默认值：8080
[*]--path: 从中提供静态文件的路径 (default examples/server/public)
[*]--embedding: 启用嵌入提取，默认值：禁用.
[*]-np N, --parallel N: 设置历程请求的槽数（默认值：1）
[*]-cb, --cont-batching: 启用一连批处理（又名动态批处理）（默认：禁用）
[*]-spf FNAME, --system-prompt-file FNAME :将文件设置为加载“系统提示符（全部插槽的初始提示符）”，这对于谈天应用步伐很有用.
[*]--mmproj MMPROJ_FILE: LLaVA 的多模态投影仪文件的路径.
2. 编译部署
编译部署请参考《基于llama.cpp学习开源LLM当地部署》。会在跟目次下生成 ./server
3. 启动服务
./server -m ../models/NousResearch/Llama-2-7b-chat-hf/ggml-model-q4_0.gguf -c 2048 服务启动乐成后，如下：
https://img-blog.csdnimg.cn/direct/12fd2d32511840339067fb75258cad9c.png
点击或者在浏览器中输入：http://127.0.0.1:8080
https://img-blog.csdnimg.cn/direct/cb607fbfeda14f9f963398d71a0fc417.png
可以看到：交互模式，提示词、用户名、提示词模板另有模型参数等设置。打开“更多选型”，如下：
https://img-blog.csdnimg.cn/direct/49fcce3a27bd438dbf3763bf5f10b1a6.png
这些参数默认就行，也可以根据实际环境调整。
在最下面输入一些内容，点击“send”，就能与模型进行谈天了。
https://img-blog.csdnimg.cn/direct/098f3694da374c9b8a15515e49cd7159.png
从学习的角度来看，是不是很方面。不消敲命令，也不消单独搭建前端。直接就能体验大模型，也能学习里面机制与原理。
4、扩展或构建其他的 Web 前端
web静态文件的默认位置是“examples/server/public”。您可以通过运行./server并将“--path”设置为“./your-directory”并导入“/completion.js”来访问 llamaComplete（） 方法来扩展前端。
A simple example is below:
<html>
<body>
<pre>
<script type="module">
import { llama } from '/completion.js'
const prompt = `### Instruction:
Write dad jokes, each one paragraph.
You can use html formatting if needed.
### Response:`
for await (const chunk of llama(prompt)) {
document.write(chunk.data.content)
}
</script>
</pre>
</body>
</html>
5、其他
更多功能和参数，详见llama.cpp/examples/server/README.md。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]