llama.cpp/README.md

llama.cpp使用指南

介绍

llama.cpp是基于C/C++实现的LLaMa英文大模型接口，可以支持用户在CPU机器上完成开源大模型的部署和使用。

llama.cpp支持多个英文开源大模型的部署，如LLaMa，LLaMa2，Vicuna等。

软件架构

llama.cpp核心架构分为两层

• 模型量化层：可以量化开源模型，减少模型大小；
• 模型启动层：可以启动量化后的模型。

特性：

• 基于ggml的C/C++实现；
• 通过int4/int8量化、优化的KV缓存和并行计算等多种方式加速CPU推理；
• 互动界面是流媒体生成，具有打字机效果；
• 无需 GPU，可只用 CPU 运行。

安装教程

软硬件要求

处理器架构：支持AArch64和X86_64处理器架构；

操作系统：openEuler 23.09；

内存：根据不同开源模型的大小，不低于4G。

安装组件

使用llama.cpp部署大模型，需要安装llama.cpp软件包。安装前，请确保已经配置了openEuler yum源。

1. 安装：

yum install llama.cpp

2. 查看是否安装成功：

llama_cpp_main -h

若成功显示help信息则安装成功。

使用说明

不使用容器

1. 需要安装llama.cpp软件包：

yum install llama.cpp

2. 需要下载开源大模型，如LLaMa、LLaMa2等。并将下载的开源大模型通过llama_convert.py进行模型量化：

python3 /usr/bin/llama_convert.py  model_path/

其中model_path为开源大模型的存放路径。

3. 启动模型，进行对话：

llama_cpp_main -m model_path --color --ctx_size 2048 -n -1 -ins -b 256 --top_k 10000 --temp 0.2 --repeat_penalty 1.1 -t 8

其中model_path为量化模型的存放路径。

可通过以下命令查看命令行选项用法：

llama_cpp_main -h

使用容器

1. 拉取容器镜像：

docker pull hub.oepkgs.net/openeuler/llama_image

2. 运行容器镜像，进行对话：

docker run -it --security-opt seccomp=unconfined hub.oepkgs.net/openeuler/llama_image

正常启动界面

模型启动后的界面如图1所示：

图1 模型启动界面

规格说明

本项目可支持在CPU级别的机器上进行大模型的部署和推理，但是模型推理速度对硬件仍有一定的要求，硬件配置过低可能会导致推理速度过慢，降低使用效率。

表1可作为不同机器配置下推理速度的参考：

表格中Q4_0，Q4_1，Q5_0，Q5_1代表模型的量化精度；ms/token代表模型的推理速度，含义为每个token推理耗费的毫秒数，该值越小推理速度越快；

表1 模型推理速度的测试数据

LLaMa-7B	Q4_0	Q4_1	Q5_0	Q5_1
ms/token (CPU @ Platinum 8260)	55	54	76	83
模型大小	3.5G	3.9G	4.3G	6.7G
内存占用	3.9G	4.2G	4.5G	5.0G