赞
踩
经过博主深入评估和多次测试,为您推荐以下解决方案:
为什么需要使用 GPU 去跑我们的大模型呢?
虽然CPU也可以用于运行大模型,但在处理深度学习任务时,GPU的并行计算能力、计算性能和专用硬件支持使其更为适合。GPU能够显著提升大模型的训练和推理效率,降低时间和功耗成本。
一、官方方案
参考文档:
CUDA Toolkit 12.4 Update 1 Downloads | NVIDIA Developer
二、方案二(经实践,简单 好用)
1、安装 CUDA:
官网脚本: developer.nvidia.com/cuda-toolki…
# 脚本文件命令(根据上述网站)
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/12.1.0/local_installers/cuda-repo-ubuntu2204-12-1-local_12.1.0-530.30.02-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu2204-12-1-local_12.1.0-530.30.02-1_amd64.deb
sudo cp /var/cuda-repo-ubuntu2204-12-1-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt search cuda-toolkit
sudo apt-get -y install cuda
2、安装驱动: shell
# 系统会推荐安装驱动的版本区间
sudo ubuntu-drivers devices
# 安装合适版本驱动
sudo apt-get install -y cuda-drivers-550
# 验证
nvidia-smi
watch -n 5 nvidia-smi
方案 一:快速安装,只能安装最新版本,经检测 最新版有Bug。
curl -fsSL https://ollama.com/install.sh | sh
方案二:手动安装,自由灵活。
1、二进制文件下载。
sudo curl -L https://ollama.com/download/ollama-linux-amd64 -o /usr/bin/ollama
历史版本下载:
Releases · ollama/ollama (github.com)
2、给文件添加执行权限
sudo chmod +x /usr/bin/ollama
3、创建 ollama 用户
sudo useradd -r -s /bin/false -m -d /usr/share/ollama ollama
4、创建配置文件
vi /etc/systemd/system/ollama.service
配置文件参考
[Unit] Description=Ollama Service After=network-online.target [Service] ExecStart=/usr/bin/ollama serve User=ollama Group=ollama Restart=always RestartSec=3 # 监听端口 Environment="OLLAMA_HOST=0.0.0.0:11434" # 模型下载位置 (需要给 ollama用户文件夹权限: sudo chown ollama:ollama ollama/) Environment="OLLAMA_MODELS=/home/ek-p/ollama" # 单模型并发数量 Environment="OLLAMA_NUM_PARALLEL=100" # Gpu选择 (如有GPU,需要在硬件安装GPU去驱动,安装文档参考下文。) Environment="CUDA_VISIBLE_DEVICES=0,1" # 多模型并发数量 Environment="OLLAMA_MAX_LOADED_MODELS=3" [Install] WantedBy=default.target
5、启动 Ollama
sudo systemctl daemon-reload
sudo systemctl enable ollama
6、查看日志
journalctl -u ollama -r
7、问题:文件夹权限不够
May 16 16:24:25 ek-s systemd[1]: ollama.service: Failed with result 'exit-code'.
May 16 16:24:25 ek-s systemd[1]: ollama.service: Main process exited, code=exited, status=1/FAILURE
May 16 16:24:25 ek-s ollama[10780]: Error: mkdir /home/ekw-p: permission denied
sudo chown ollama:ollama ollama/
8、运行成功
继续查看日志
May 16 16:39:47 ek-s ollama[4183]: time=2024-05-16T16:39:47.384+08:00 level=INFO source=cpu_common.go:11 msg="CPU has AVX2"
May 16 16:39:47 ek-s ollama[4183]: time=2024-05-16T16:39:47.383+08:00 level=INFO source=gpu.go:127 msg="detected GPUs" count=1 library=/usr/lib/x86_64-li>
May 16 16:39:47 ek-s ollama[4183]: time=2024-05-16T16:39:47.125+08:00 level=INFO source=gpu.go:122 msg="Detecting GPUs"
May 16 16:39:47 ek-s ollama[4183]: time=2024-05-16T16:39:47.125+08:00 level=INFO source=payload.go:44 msg="Dynamic LLM libraries [cpu cpu_avx cpu_avx2 cu>
May 16 16:39:44 ek-s ollama[4183]: time=2024-05-16T16:39:44.222+08:00 level=INFO source=payload.go:30 msg="extracting embedded files" dir=/tmp/ollama1963>
May 16 16:39:44 ek-s ollama[4183]: time=2024-05-16T16:39:44.221+08:00 level=INFO source=routes.go:1034 msg="Listening on [::]:11434 (version 0.1.34)"
May 16 16:39:44 ek-s ollama[4183]: time=2024-05-16T16:39:44.220+08:00 level=INFO source=images.go:904 msg="total unused blobs removed: 0"
May 16 16:39:44 ek-s ollama[4183]: time=2024-05-16T16:39:44.220+08:00 level=INFO source=images.go:897 msg="total blobs: 0"
1、使用 ollama 查看模型列表
ollama list
2、下载大模型
ollama Model 库:library (ollama.com)
经检测目前比较适用的大模型为:llama3:8b
ollama pull llama3:8b
3、运行大模型
ollama run llama3:8b
成功。
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
-END-
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。