LLM学习笔记1——本地部署Meta-Llama-3.2-1B大模型

系列文章目录

参考博客
参考博客

前言与调用

从Transformer架构的出现，到GPT与BERT系列，再到GPT3.5、文心的发布，再到Llama、Qwen、gemma、deepseek等开源。

一、Hugging Face的Transformers
这是一个强大的Python库，专为简化本地运行LLM而设计。其优势在于自动模型下载、提供丰富的代码片段，以及非常适合实验和学习。然而，它要求用户对机器学习和自然语言处理有深入了解，同时还需要编码和配置技能。

二、Llama.cpp
基于C++的推理引擎，专为Apple Silicon打造，能够运行Meta的Llama2模型。它在GPU和CPU上的推理性能均得到优化。Llama.cpp的优点在于其高性能，支持在适度的硬件上运行大型模型（如Llama 7B），并提供绑定，允许您使用其他语言构建AI应用程序。其缺点是模型支持有限，且需要构建工具。

三、Llamafile
由Mozilla开发的C++工具，基于llama.cpp库，为开发人员提供了创建、加载和运行LLM模型所需的各种功能。它简化了与LLM的交互，使开发人员能够轻松实现各种复杂的应用场景。Llamafile的优点在于其速度与Llama.cpp相当，并且可以构建一个嵌入模型的单个可执行文件。然而，由于项目仍处于早期阶段，不是所有模型都受支持，只限于Llama.cpp支持的模型。

四、Ollama
作为Llama.cpp和Llamafile的用户友好替代品，Ollama提供了一个可执行文件，可在您的机器上安装一个服务。安装完成后，只需简单地在终端中运行即可。其优点在于易于安装和使用，支持llama和vicuña模型，并且运行速度极快。然而，Ollama的模型库有限，需要用户自己管理模型。

五、vLLM
这是一个高吞吐量、内存高效的大型语言模型（LLMs）推理和服务引擎。它的目标是为所有人提供简便、快捷、经济的LLM服务。vLLM的优点包括高效的服务吞吐量、支持多种模型以及内存高效。然而，为了确保其性能，用户需要确保设备具备GPU、CUDA或RoCm。

六、TGI（Text Generation Inference）
由HuggingFace推出的大模型推理部署框架，支持主流大模型和量化方案。TGI结合Rust和Python，旨在实现服务效率和业务灵活性的平衡。它具备许多特性，如简单的启动LLM、快速响应和高效的推理等。通过TGI，用户可以轻松地在本地部署和运行大型语言模型，满足各种业务需求。经过优化处理的TGI和Transformer推理代码在性能上存在差异，这些差异体现在多个层面：

并行计算能力：TGI与Transformer均支持并行计算，但TGI更进一步，通过Rust与Python的联合运用，实现了服务效率与业务灵活性的完美平衡。这使得TGI在处理大型语言模型时，能够更高效地运用计算资源，显著提升推理效率。

创新优化策略：TGI采纳了一系列先进的优化技术，如Flash Attention、Paged Attention等，这些技术极大地提升了推理的效率和性能。而传统的Transformer模型可能未能融入这些创新优化。

模型部署支持：TGI支持GPTQ模型服务的部署，使我们能在单卡上运行启用continuous batching功能的更大规模模型。传统的Transformer模型则可能缺乏此类支持。

尽管TGI在某些方面优于传统Transformer推理，但并不意味着应完全放弃Transformer推理。在特定场景下，如任务或数据与TGI优化策略不符，使用传统Transformer推理可能更合适。当前测试表明，TGI的推理速度暂时逊于vLLM。TGI推理支持以容器化方式运行，为用户提供了更为灵活和高效的部署选项。

七、DeepSpeed
微软精心打造的开源深度学习优化库，以系统优化和压缩为核心，深度优化硬件设备、操作系统和框架等多个层面，更利用模型和数据压缩技术，极大提升了大规模模型的推理和训练效率。DeepSpeed-Inference，作为DeepSpeed在推理领域的扩展，特别针对大语言模型设计。它巧妙运用模型并行、张量并行和流水线并行等技术，显著提升了推理性能并降低了延迟。

本博客尝试只使用Hugging Face的Transformers库调用模型，看看能否实现简洁的调用。

一、部署要求

部署要求

二、实现步骤

0.深度学习环境

深度学习环境搭建，参考往期博文

因为LLM使用的环境可能会更新更高，所以使用的基础环境如下：

NVIDIA-SMI 525.60.11
cuda 12.1.0
cudnn 8.9.2

根据cuda版本选择对应的pytorch、torchvision、python环境。

以下版本截止2024年4月29日：
直接选择最新的那一档，cuda12.1，Python3.10，PyTorch2.2.0，torchvision0.17.0。

使用anaconda安装以下内容，安装方式参考往期博文：

python 3.10
PyTorch 2.2.0
torchvision 0.17.0

错误1，验证pytorch版本时提示以下问题：

OSError: libmkl_intel_lp64.so: cannot open shared object file: No such file or directory

修改环境变量配置文件：

gedit ~/.bashrc

在~/.bashrc文件末尾另起一行添加：

export LD_LIBRARY_PATH=/home/xxx/anaconda3/lib:$LD_LIBRARY_PATH

更新环境变量配置文件：

source ~/.bashrc

查看是否更新成功：

echo $LD_LIBRARY_PATH
# 输出必须带有/home/xxx/anaconda3/lib才算成功

错误2，验证pytorch版本时提示以下问题：

OSError: libcudart.so.12: cannot open shared object file: No such file or directory

1、确认CUDA和cudnn是否正确安装，版本是否对应。

# 查看当前cuda的版本
nvcc --version
#查看cudnn版本
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

2、如果确定安装了对应版本的CUDA和cudnn，查看 ~/.bashrc环境变量是否正确包含了 对应的库文件路径。

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda/bin:$PATH

3、如果安装了CUDA和cudnn，确定版本正确，成功链接，那么移动或者重写 ~/.bashrc环境变量中的CUDA和cudnn库文件路径，然后更新。

错误3，有时候还会提示你有一些库没有安装，使用pip安装即可。

1.transformers库安装

使用pip安装

huggingface的Transformers库要求的深度学习环境版本如下:

Python 3.8+
Flax 0.4.1+ / PyTorch 1.11+ / TensorFlow 2.6+

建议尽量在anaconda虚拟环境中安装Transformers库。

首先，创建一个3.10版本的虚拟环境并激活：

conda create -n your_env_name python=3.10
source activate your_env_name

然后，在虚拟环境中安装Flax 0.4.1+或PyTorch 1.11+或TensorFlow 2.6+神经网络算法库（选择其中之一）：

具体安装方法，参考往期博文

最后，安装Transformers库：

# transformers >= 4.43.0
pip install transformers

提示成功安装Transformers库和大部分依赖库，但有个别依赖库安装失败，比如Pillow库：

单独安装Pillow库：

pip install Pillow -i https://pypi.tuna.tsinghua.edu.cn/simple/ --trusted-host pypi.tuna.tsinghua.edu.cn

如果还提示却别的库也是这样安装就好。

查看虚拟环境中的库：

conda list

2.模型下载

大部分模型都可以在huggingface网站下载，直接点击Clone repository选项，选择git方式下载：

Llama-3.2-1B模型huggingface下载地址

git clone https://huggingface.co/meta-llama/Llama-3.2-1B

用这种方法下载不仅需要上外网，而且下载速度还会比较慢，除此之外有一些模型下载使用还需要向官方申请许可，比如：

这里使用一些取巧的方法：

使用国内阿里的大模型平台modelscope魔搭网站下载

Llama-3.2-1B模型modelscope下载地址modelscope，直接点击模型文件，点击下载模型：

它会提供一些不同的下载命令：

这里直接使用modelscope库下载：

# 先安装modelscope库
pip install modelscope

# 不加–local_dir选项，会使得模型保存在临时文件(/home/xxx/.cache/modelscope/hub)中，不方便查找
modelscope download --model LLM-Research/Llama-3.2-1B

# 加上–local_dir选项，使得模型保存在指定文件夹文件(/home/xxx/LLM-Research/Meta-Llama-3.2-1B-Instruct)中，方便查找
modelscope download --model LLM-Research/Llama-3.2-1B --local_dir /home/xxx/Llama-3.2-1B

这样在绕过许可证的同时，也能避免外网问题，快速下载。

3.模型调用

使用以下代码可以简单调用这个模型：

from transformers import AutoModelForCausalLM, AutoTokenizer

def load_model_and_tokenizer(model_directory):
    """
    从本地目录加载模型和分词器。
    """
    tokenizer = AutoTokenizer.from_pretrained(model_directory)

    # 添加特殊的填充令牌
    tokenizer.add_special_tokens({'pad_token': '[PAD]'})

    model = AutoModelForCausalLM.from_pretrained(model_directory)
    # model.half()
    return model, tokenizer


def generate_text(model, tokenizer, prompt, max_new_tokens):
    """
    使用提供的模型和分词器生成文本。
    """
    # 编码输入提示
    inputs = tokenizer(prompt, return_tensors='pt', padding=True, truncation=True)
    input_ids = inputs['input_ids']
    attention_mask = inputs['attention_mask']

    # 生成文本
    output = model.generate(
        input_ids=input_ids,
        attention_mask=attention_mask,
        max_new_tokens=max_new_tokens,
        pad_token_id=tokenizer.eos_token_id,
        no_repeat_ngram_size=2,
        repetition_penalty=1.5,
        top_k=50,
        top_p=0.95,
        temperature=1.0,
        do_sample=True,
        num_return_sequences=1,
        num_beams=2,  # 设置 num_beams > 1
        early_stopping=True
    )

    # 解码生成的文本
    generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
    return generated_text


def chat_with_model(model, tokenizer, max_new_tokens):
    """
    与模型进行聊天对话。
    """
    print("Chat with the model! Type 'exit' to end the conversation.")
    prompt = "You are an Intelligent Traffic Rules Q&A Assistant, and when user ask you questions, you will provide me with traffic knowledge.Next, user will ask you questions, please answer them.\n"

    # once_input = input("User1:")
    #
    # if once_input.lower() == 'exit':
    #     print("Assistant: Goodbye! Stay safe on the roads!")
    #     exit()
    #
    # input_to_model = prompt + "\nUser2:" + once_input + "\nAssistant"
    #
    # response = generate_text(model, tokenizer, input_to_model, max_new_tokens)

    print("111", prompt)
    while True:
        user_input = input("User3: ")
        if user_input.lower() == 'exit':
            print("Assistant: Goodbye! Stay safe on the roads!")
            break
        input_to_model = prompt + user_input + "\nAssistant"
        # 更新对话历史
        # 生成模型的回答
        response = generate_text(model, tokenizer, input_to_model, max_new_tokens)
        print(response)


def main():

    model_directory = "/LLM/Llama-3.2-1B/"
    max_new_tokens = 100  # 生成新 token 的最大数量

    # 加载模型和分词器
    model, tokenizer = load_model_and_tokenizer(model_directory)

    # 确保模型处于评估模式
    model.eval()

    # 开始聊天对话
    chat_with_model(model, tokenizer, max_new_tokens)


if __name__ == "__main__":
    main()

简单问答：

三、模型结构

未完待续。。。

四、总结

一方面Meta-Llama-3.2-1B太小，很多回答都是胡言乱语，另一方面对模型的调用只依靠了一个Hugging Face的Transformers库，实际的使用体验相当不好，想要更好的体验可能需要在更工程化的框架下去调用模型，比如ollama等。

这篇博客记录于2024年，Meta-Llama-3.2发布不久，看见有1B的模型就心血来潮测试了一下，测试完后因为工作忙碌就忘记发布了，直到24年年末的deepseekV3以及今年过年时的R1如此出圈爆火，打算年后回来测试一下，才发现这篇博客被遗忘了。

后续有时间会继续更新学习有关llama的模型结构。