llama.cpp一种在本地CPU上部署的量化模型（超低配推理llama）

0x00 背景

前不久，Meta前脚发布完开源大语言模型LLaMA，
随后就被网友“泄漏”，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模型
大大降低的使用成本，本文就是时间如何在我的 mac m1 pro 上面跑起来这个模型
llama.cpp：提供了一种模型量化和在本地CPU上部署方式

文本介绍了如何使用llama.cpp工具将深度学习模型进行量化并在本地CPU上部署的详细步骤。
以下是具体步骤的解释：
ç
0x01 Step1 环境准备

• 高版本python 3.10
  

1. pip install protobuf==3.20.0
2. pip install transformers  最新版
3. pip installsentencepiece （0.1.97测试通过）
4. pip install peft  （0.2.0测试通过）
5. pip install git+https://github.com/huggingface/transformers
6. pip install sentencepiece
7. pip install peft

复制代码

• 确保机器有足够的内存加载完整模型 ，7B模型需要13-15G
  
• 下载原版LLaMA模型的权重和tokenizer.model文件
  

下载参考这个[PR]https://github.com/facebookresearch/llama/pull/73/files
压缩包内文件目录如下（LLaMA-7B为例）：

1. chinese_llama_lora_7b/
2.   - adapter_config.json                # LoRA权重配置文件
3.   - adapter_model.bin                # LoRA权重文件
4.   - special_tokens_map.json        # special_tokens_map文件
5.   - tokenizer_config.json        # tokenizer配置文件
6.   - tokenizer.model                # tokenizer文件

复制代码

Step 2: 将原版LLaMA模型转换为HF格式

请使用transformers提供的脚本convert_llama_weights_to_hf.py
将原版LLaMA模型转换为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。 执行以下命令后，--output_dir中将存放转换好的HF版权重。

1. python src/transformers/models/llama/convert_llama_weights_to_hf.py \
2.     --input_dir path_to_original_llama_root_dir \
3.     --model_size 7B \
4.     --output_dir path_to_original_llama_hf_dir

复制代码

Step 2: 合并LoRA权重，生成全量模型权重

使用ymcui/Chinese-LLaMA-Alpaca at v2.0 (github.com)里面的scripts/merge_llama_with_chinese_lora.py脚本
对原版LLaMA模型（HF格式）扩充中文词表，并与LoRA权重进行合并，生成全量模型权重consolidated.*.pth（建议检查生成模型的SHA256值）和配置文件params.json。请执行以下命令：
此处可有两种选择：

• 输出PyTorch版本权重（.pth文件），使用merge_llama_with_chinese_lora.py脚本
  
  
  
  • 使用llama.cpp工具进行量化和部署
    
  
  
• 输出HuggingFace版本权重（.bin文件），使用merge_llama_with_chinese_lora_to_hf.py脚本（感谢@sgsdxzy 提供）
  
  
  
  • 使用Transformers进行推理
    
  • 使用text-generation-webui搭建界面
    
  
  

以上两个脚本所需参数一致，仅输出文件格式不同。下面以生成PyTorch版本权重为例，介绍相应的参数设置。

1. python scripts/merge_llama_with_chinese_lora.py \
2.     --base_model path_to_original_llama_hf_dir \
3.     --lora_model path_to_chinese_llama_or_alpaca_lora \
4.     --output_dir path_to_output_dir

复制代码

参数说明：

我这里直接使用了Model Hub上的模型，因为很小就直接下载了使用，懒惰下载到本地

• --base_model：存放HF格式的LLaMA模型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模型 所在目录，也可使用Model Hub上的模型名：ziqingyang/chinese-alpaca-lora-7b或ziqingyang/chinese-llama-lora-7b
  
• --output_dir：指定保存全量模型权重的目录，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 本地快速部署

大模型在自己的电脑上进行本地部署（CPU推理）
下载llama.cpp工具https://github.com/ggerganov/llama.cpp
推荐使用MacOS和Linux系统，Windows好像有bug
运行前请确保：

• 模型量化过程需要将未量化模型全部载入内存，请确保有足够可用内存（7B版本需要13G以上）
  
• 加载使用Q4量化后的模型时（例如7B版本），确保本机可用内存大于4-6G（受上下文长度影响）
  
• 系统应有make（MacOS/Linux自带）或cmake（Windows需自行安装）编译工具
  
• 推荐使用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

运行以下命令对llama.cpp项目进行编译，生成./main和./quantize二进制文件。

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

复制代码

2.生成量化版本模型

把合并模型（选择生成.pth格式模型）中最后一步生成的tokenizer.model文件放入xx-models目录下，模型文件consolidated.*.pth和配置文件params.json放入xx-models/7B目录下。
请注意LLaMA和Alpaca的tokenizer.model不可混用
目录结构类似：

1.    - 7B/
2.      - consolidated.00.pth
3.      - params.json
4.    - tokenizer.model

复制代码

将上述.pth模型权重转换为ggml的FP16格式，生成文件路径为xx-models/7B/ggml-model-f16.bin。

1. python3 ./llama.cpp/convert-pth-to-ggml.py ./xx_model/7B/ 1

复制代码

进一步对FP16模型进行Q4量化，生成量化模型文件路径为zh-models/7B/ggml-model-q4_0.bin。

1. ./quantize ./xx-models/7B/ggml-model-f16.bin ./xx-models/7B/ggml-model-q4_0.bin 2

复制代码

3.加载并启动模型

运行./main二进制文件，-m命令指定Q4量化模型（也可加载ggml-FP16的模型）。以下是解码参数示例：

1. ./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

复制代码

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命令。

1. 重要参数说明：
2. -ins 启动类ChatGPT的对话交流模式
3. -f 指定prompt模板，alpaca模型请加载prompts/alpaca.txt
4. -c 控制上下文的长度，值越大越能参考更长的对话历史
5. -n 控制回复生成的最大长度
6. --repeat_penalty 控制生成回复中对重复文本的惩罚力度
7. --temp 温度系数，值越低回复的随机性越小，反之越大
8. --top_p, top_k 控制采样的相关参数

复制代码

来源：https://blog.csdn.net/god_zzZ/article/details/130328307
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！