【Llama3:8b】手把手教你如何在本地部署 自己的 AI 大模型 (◍•ᴗ•◍)_lama部署图片模型_llama大模型本地部署报错error: llama runner process has term

一、为什么需要本地部署属于自己的大模型？

1. 趋势：我们正处于AI人工智能时代，各行各业的公司和产品都在向AI靠拢。打造垂直领域的AI模型将成为每个公司未来的发展趋势。
2. 数据安全：在无法掌握核心算法的情况下，许多公司选择使用大公司的成熟方案。然而，这涉及到数据安全的问题。训练垂直定制化的大模型需要大量数据，而数据是公司的核心资产和基石。没有公司愿意将这些关键数据上传到外部服务器，这是公司的命脉所在。
3. 本地部署的重要性：因此，本地部署和训练自有或定制化的大模型显得尤为重要。这不仅是未来的发展趋势，也是程序员必须掌握的关键流程和解决方案。

二、如何拥有属于自己的本地大模型呢？

经过博主深入评估和多次测试，为您推荐以下解决方案：

• 使用 Llama3:8b 作为模型
• 通过 Ollama 部署
• 利用 Llama.cpp 进行量化优化
• 采用 Unsloth 进行模型训练和微调

三、为什么要选择这个方案？

1、Llama3:8b

• 低算力需求和成本：Llama3:8b 对计算资源的需求较小，运营成本低。
• 卓越的上下文记忆能力：模型能够有效记住上下文，满足业务需求。
• 灵活的微调能力：适应不同的业务场景和需求。
• 开源：社区支持强大，开发者资源丰富。

2、Ollama

• 活跃的生态和开发者社区：提供丰富的资源和支持。
• 高效的部署和运行：确保模型的稳定性和性能。
• 灵活的 API 接口：满足业务对训练模型的多样化需求。
• 开源且易于使用：降低了上手难度，适合快速开发和迭代。

3、Llama.cpp

• 广泛支持 Llama3:8b 的量化工具：目前市面上对 Llama3:8b 支持最好的量化工具之一。
• 丰富的教程资源：学习和使用成本低。
• 开源：开发者可以自由使用和修改，社区贡献积极。

4、Unsloth

• 多样化的数据集支持：能够处理不同类型的数据，适应性强。
• 优异的性能：训练效果显著，能够提高模型的精度。
• 本地训练支持：对数据隐私有更好的保护。
• 开源：开发者可以自由访问和修改，提升了灵活性和可控性。

四、话不多说，让我们开始吧！

1、安装 Ubuntu 【NVIDIA GPU驱动安装】

为什么需要使用 GPU 去跑我们的大模型呢？

• 训练时间：使用GPU可以显著缩短模型的训练时间。例如，一个复杂的深度学习模型在GPU上可能只需要几小时，而在CPU上可能需要几天甚至几周。
• 模型推理：在推理阶段，尤其是需要处理大量实时数据时，GPU的高并行处理能力可以提供更快的响应时间和更高的吞吐量。

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。

【一一AGI大模型学习 所有资源获取处一一】

①人工智能/大模型学习路线

②AI产品经理入门指南

③大模型方向必读书籍PDF版

④超详细海量大模型实战项目

⑤LLM大模型系统学习教程

⑥640套-AI大模型报告合集

⑦从0-1入门大模型教程视频

⑧AGI大模型技术公开课名额

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


1
2
3
4
5
6
7
8
9
10
11

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


1
2
3
4
5
6
7
8
9
10
11

2、首先我们需要安装 Ollama

参考官方文档: GitHub - ollama/ollama: Get up and running with Llama 3, Mistral, Gemma, and other large language models.

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


1
2
3

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


1
2
3

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


1
2
3

3、创建 ollama 用户

sudo useradd -r -s /bin/false -m -d /usr/share/ollama ollama


1
2
3

4、创建配置文件

vi /etc/systemd/system/ollama.service


1
2
3

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


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

5、启动 Ollama

sudo systemctl daemon-reload
sudo systemctl enable ollama


1
2
3
4

6、查看日志

journalctl -u ollama -r


1
2
3

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


1
2
3
4
5

sudo chown ollama:ollama ollama/ 


1
2
3

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
2
3
4
5
6
7
8
9
10

3、 接着我们需要使用 Ollama 运行我们的 大模型 Llama3:8b

1、使用 ollama 查看模型列表

ollama list


1
2
3

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


1
2
3

3、运行大模型

ollama run llama3:8b


1
2
3

4、测试我们的大模型

成功。

如何学习大模型 AGI ？

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-

---

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/运维做开发/article/detail/916811