llama.cpp一种在本地CPU上摆设的量化模子（超低配推理llama）
0x00 背景前不久，Meta前脚发布完开源大语言模子LLaMA，
随后就被网友“走漏”，直接放了一个磁力链接下载链接。
然而那些手头没有顶级显卡的朋友们，就只能看看而已了
但是 Georgi Gerganov 开源了一个项目llama.cpp
ggerganov/llama.cpp: Port of Facebook’s LLaMA model in C/C++ (github.com)
次项目的牛逼之处就是没有GPU也能跑LLaMA模子
大大降低的利用成本，本文就是时间如何在我的 mac m1 pro 上面跑起来这个模子
llama.cpp：提供了一种模子量化和在本地CPU上摆设方式
文本先容了如何利用llama.cpp工具将深度学习模子进行量化并在本地CPU上摆设的详细步骤。
以下是详细步骤的表明：
ç
0x01 Step1 情况预备
[*]高版本python 3.10
pip install protobuf==3.20.0
pip install transformers最新版
pip installsentencepiece （0.1.97测试通过）
pip install peft（0.2.0测试通过）
pip install git+https://github.com/huggingface/transformers
pip install sentencepiece
pip install peft
[*] 确保呆板有富足的内存加载完备模子 ，7B模子需要13-15G
[*] 下载原版LLaMA模子的权重和tokenizer.model文件
下载参考这个https://github.com/facebookresearch/llama/pull/73/files
压缩包内文件目录如下（LLaMA-7B为例）：
chinese_llama_lora_7b/
- adapter_config.json # LoRA权重配置文件
- adapter_model.bin # LoRA权重文件
- special_tokens_map.json # special_tokens_map文件
- tokenizer_config.json # tokenizer配置文件
- tokenizer.model # tokenizer文件
Step 2: 将原版LLaMA模子转换为HF格式
请利用transformers提供的脚本convert_llama_weights_to_hf.py
将原版LLaMA模子转换为HuggingFace格式。
将原版LLaMA的tokenizer.model放在--input_dir指定的目录，其余文件放在${input_dir}/${model_size}下。 执行以下下令后，--output_dir中将存放转换好的HF版权重。
python src/transformers/models/llama/convert_llama_weights_to_hf.py \
--input_dir path_to_original_llama_root_dir \
--model_size 7B \
--output_dir path_to_original_llama_hf_dir
https://i-blog.csdnimg.cn/blog_migrate/77006b4f9fd27fecd17d4c1c71b251db.png
Step 2: 合并LoRA权重，生玉成量模子权重
利用ymcui/Chinese-LLaMA-Alpaca at v2.0 (github.com)内里的scripts/merge_llama_with_chinese_lora.py脚本
对原版LLaMA模子（HF格式）扩充中文词表，并与LoRA权重进行合并，生玉成量模子权重consolidated.*.pth（发起检查生成模子的SHA256值）和配置文件params.json。请执行以下下令：
此处可有两种选择：
[*]输出PyTorch版本权重（.pth文件），利用merge_llama_with_chinese_lora.py脚本
[*]利用llama.cpp工具进行量化和摆设
[*]输出HuggingFace版本权重（.bin文件），利用merge_llama_with_chinese_lora_to_hf.py脚本（感谢@sgsdxzy 提供）
[*]利用Transformers进行推理
[*]利用text-generation-webui搭建界面
以上两个脚本所需参数同等，仅输出文件格式不同。下面以生成PyTorch版本权重为例，先容相应的参数设置。
python scripts/merge_llama_with_chinese_lora.py \
--base_model path_to_original_llama_hf_dir \
--lora_model path_to_chinese_llama_or_alpaca_lora \
--output_dir path_to_output_dir
参数说明：
https://i-blog.csdnimg.cn/blog_migrate/bc97aae6a325cf72d2896072a72d2768.png
我这里直接利用了Model Hub上的模子，因为很小就直接下载了利用，懒惰下载到本地
[*]--base_model：存放HF格式的LLaMA模子权重和配置文件的目录（Step 1生成）
[*]--lora_model：这就是你要合并的 LoRA模子 所在目录，也可利用Model Hub上的模子名：ziqingyang/chinese-alpaca-lora-7b或ziqingyang/chinese-llama-lora-7b
[*]--output_dir：指定保存全量模子权重的目录，默认为./
[*]（可选）--offload_dir：对于低内存用户需要指定一个offload缓存路径
Step 3: llama.cpp 本地快速摆设
大模子在本身的电脑上进行本地摆设（CPU推理）
下载llama.cpp工具https://github.com/ggerganov/llama.cpp
保举利用MacOS和Linux体系，Windows好像有bug
运行前请确保：
[*]模子量化过程需要将未量化模子全部载入内存，请确保有富足可用内存（7B版本需要13G以上）
[*]加载利用Q4量化后的模子时（比方7B版本），确保本机可用内存大于4-6G（受上下文长度影响）
[*]体系应有make（MacOS/Linux自带）或cmake（Windows需自行安装）编译工具
[*]保举利用Python 3.9或3.10编译运行llama.cpp工具（因为sentencepiece还不支持3.11）
1. 下载和编译llama.cpp
运行以下下令对llama.cpp项目进行编译，生成./main和./quantize二进制文件。
git clone https://github.com/ggerganov/llama.cpp && cd llama.cpp && make
2.生成量化版本模子
把合并模子（选择生成.pth格式模子）中末了一步生成的tokenizer.model文件放入xx-models目录下，模子文件consolidated.*.pth和配置文件params.json放入xx-models/7B目录下。
请留意LLaMA和Alpaca的tokenizer.model不可混用
目录布局类似：
- 7B/
- consolidated.00.pth
- params.json
- tokenizer.model
将上述.pth模子权重转换为ggml的FP16格式，生成文件路径为xx-models/7B/ggml-model-f16.bin。
python3 ./llama.cpp/convert-pth-to-ggml.py ./xx_model/7B/ 1
https://i-blog.csdnimg.cn/blog_migrate/c14b26a8f3ab51569330ecff0f063ad8.png
进一步对FP16模子进行Q4量化，生成量化模子文件路径为zh-models/7B/ggml-model-q4_0.bin。
./quantize ./xx-models/7B/ggml-model-f16.bin ./xx-models/7B/ggml-model-q4_0.bin 2
https://i-blog.csdnimg.cn/blog_migrate/cdfd772d21c0a161ed98062c539d2b68.png
3.加载并启动模子
运行./main二进制文件，-m下令指定Q4量化模子（也可加载ggml-FP16的模子）。以下是解码参数示例：
./main -m xx-models/7B/ggml-model-q4_0.bin --color -f prompts/alpaca.txt -ins -c 2048 --temp 0.2 -n 256 --repeat_penalty 1.3
https://i-blog.csdnimg.cn/blog_migrate/2a9c7c106e0af9078f94348d16243628.png
在提示符 > 之后输入你的prompt，command+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下令。
重要参数说明：
-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
-c 控制上下文的长度，值越大越能参考更长的对话历史
-n 控制回复生成的最大长度
--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 控制采样的相关参数
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]