在你的电脑上运行最强开源AI大模型Llama3，史上最全方法详解_llama3的硬件配置

Meta 推出其最新一代开源大型语言模型 Llama 3，它再一次成为开源模型界的领头羊驼。我前面的文章已经介绍过Llama 3 了，今天主要讲怎么在家用电脑上部署Llama 3 ，不需要联网来运行自己的私有AI模型。

Llama 3目前提供 8B 和 70B 两种大小参数，经过预训练或微调的多种配置模型。预训练是基础模型，方便开发者后续开发自己的微调模型。我们本地部署主要下载8B参数的微调模型，只要8G以上显卡就可以了，70B参数一般需要专业显卡，例如A100，40G显卡。

下面是如何在本地运行模型的详细指南。

选项1：Python部署

这个适合电脑已经部署有Python的Conda环境下的直接安装 Llama 3。

在github.com/meta-llama/llama3 下载Llama 3压缩包

解压到C盘

然后到llama.meta.com/llama-downloads 申请许可和模型下载链接。填一下姓名，生日，国籍，公司，邮箱。不需要实名，随便填一下，勾选Meta Llama 3，点击下方continue，确认许可，会返回一个下载链接，这个链接并不能直接下载，只能在终端命令行下载。

进入刚刚解压的\llama3-main文件夹里，文件夹栏输入“CMD”，在命令行输入“pip install -e”安装环境。如果报错，可能需要在pip install -e 后面加上你的llama3的文件夹地址，例如“pip install -e :\llama3-main”。

等它自动下载安装好环境后，右键选择“bash here”进入conda命令行，输入“bash download.sh”，出现“Enter the URL from email:”后粘贴刚才获得的下载链接，然后会让你选择要下载的模型，有4个模型，分别是8B（预训练模型），8B-instruct（微调模型），70B，70B-instruct，我们选第二个，输入“8B-instruct”后回车，会自动下载模型。

（有可能会报错缺失weget命令，在eternallybored.org/misc/wget/ 下载weget.exe文件放到C:\Windows\System32 里就好了）

下载好模型后，在命令行运行示例脚步，执行以下命令：

torchrun --nproc\_per\_node 1 example\_chat\_completion.py \\

\--ckpt\_dir Meta-Llama-3-8B-Instruct/ \\

\--tokenizer\_path Meta-Llama-3-8B-Instruct/tokenizer.model \\

\--max\_seq\_len 512 --max\_batch\_size 6
1
2
3
4
5
6
7

创建对话脚本，在根目录下创建以下chat.py脚本

\# Copyright (c) Meta Platforms, Inc. and affiliates.

\# This software may be used and distributed in accordance with the terms of the Llama 3 Community License Agreement.

from typing import List, Optional

import fire

from llama import Dialog, Llama

def main(

ckpt\_dir: str,

tokenizer\_path: str,

temperature: float = 0.6,

top\_p: float = 0.9,

max\_seq\_len: int = 512,

max\_batch\_size: int = 4,

max\_gen\_len: Optional\[int\] = None,

):

"""

Examples to run with the models finetuned for chat. Prompts correspond of chat

turns between the user and assistant with the final one always being the user.

An optional system prompt at the beginning to control how the model should respond

is also supported.

The context window of llama3 models is 8192 tokens, so \`max\_seq\_len\` needs to be <= 8192.

\`max\_gen\_len\` is optional because finetuned models are able to stop generations naturally.

"""

generator = Llama.build(

ckpt\_dir=ckpt\_dir,

tokenizer\_path=tokenizer\_path,

max\_seq\_len=max\_seq\_len,

max\_batch\_size=max\_batch\_size,

)

\# Modify the dialogs list to only include user inputs

dialogs: List\[Dialog\] = \[

\[{"role": "user", "content": ""}\],  # Initialize with an empty user input

\]

\# Start the conversation loop

while True:

\# Get user input

user\_input = input("You: ")

\# Exit loop if user inputs 'exit'

if user\_input.lower() == 'exit':

break

\# Append user input to the dialogs list

dialogs\[0\]\[0\]\["content"\] = user\_input

\# Use the generator to get model response

result = generator.chat\_completion(

dialogs,

max\_gen\_len=max\_gen\_len,

temperature=temperature,

top\_p=top\_p,

)\[0\]

\# Print model response

print(f"Model: {result\['generation'\]\['content'\]}")

if \_\_name\_\_ == "\_\_main\_\_":

fire.Fire(main)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103

运行以下命令就可以开始对话了：

torchrun --nproc\_per\_node 1 chat.py

\--ckpt\_dir Meta-Llama-3-8B-Instruct/

\--tokenizer\_path Meta-Llama-3-8B-Instruct/tokenizer.model

\--max\_seq\_len 512 --max\_batch\_size 6
1
2
3
4
5
6
7

选项 2：使用 Ollama + Open Webui

支持的平台： MacOS、Ubuntu、Windows（预览版）

Ollama 是目前在本地部署AI大语言模型最常用的方法之一。只需在此处下载应用程序，点击文件自动安装，然后在命令行中运行以下命令。

ollama run llama3

这将下载 Llama 3 8B 指令（微调）模型。

您可以选择提供标签，但如果不这样做，它将默认为最新的。该标签用于标识特定版本。例如你可以运行：

ollama run llama3:70b-text

ollama run llama3:70b-instruct

下载好模型后，再次在命令行运行 ollama runllama3 ，就可以直接跟 llama3 对话了，当然这种方式很不直观，也不能保存历史对话。

如果您想要一个类似于OpenAI的ChatGPT那样的对话窗口，就需要安装Open WebUI项目了。而安装Open Webui 需要先安装docker。

在github.com/open-webui/open-webui 或者 www.docker.com/products/docker-desktop/ 下载docker。下载安装后在命令行输入以下命令安装Open Webui。

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

完成后打开浏览器，您可以通过http://localhost:3000访问 Open WebUI ，并进行AI对话了。

选项 3：使用 LM Studio

前面我已讲过LM Studio的安装使用。

需要更新到0.2.20版

然后搜索“lmstudio llama 3”，下载好模型就可以使用了。注意8B-instruct 有14个模型选择，推荐选择 Meta-Llama-3-8B-Instruct.Q5_K_M.gguf，电脑较好的也可以选择最大8G多的那个模型。

选项 4：Jan.ai

这是我目前使用过的最简单，最方便的，本地部署AI大模型的开源软件。

只需要在Jan.ai下载相应版本软件，点击文件会自动安装。

然后去抱抱脸下载 llama 3 模型。没有魔法网络的推荐国内镜像网站下载 hf-mirror.com/QuantFactory/Meta-Llama-3-8B-Instruct-GGUF/tree/main。

模型越大需要的电脑配置越高，根据自己电脑情况酌情下载。将下载好的模型放到C:\Users\xxx\jan\models 目录下（xxx是你自己电脑的用户名）。然后点开Jan就可以直接跟AI聊天了。

选项 5：GPT4All

GPT4ALL也是一个很方便本地部署AI模型的一个工具，只有安装文件，然后下载模型就可以运行了，唯一的缺点是全英文界面。

只需在此处下载模型，就可以对话了。或者选择右上角的设置，改变模型地址，将前面下载的模型放到设置的文件夹中。

Llama特别喜欢用表情符号。

以上就是目前比较常用的几种本地部署AI大语言模型的方法了，新手建议选择最后两种，简单快捷。以上所有文件我都放在网盘，需要的朋友后台回复“llama3”免费领取。

如何学习大模型 AI ？

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。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】