一个小时内快速部署大模型

这个教程有以下几部分构成：

1. 硬件配置
2. 概念介绍
3. 实操
4. 测试结果

1.硬件配置

本文使用的方法配置要求低，没有gpu也可以正常使用(就是有点慢)，不管是windows 还是linux，都可以无障碍使用大模型，有脚就行，废话少说， let's rock!

2.概念介绍

几个部署要用到的概念，工具和项目

1. hugging face:
   类似于模型的github，各种各样的开源模型都可以在这被找到.
2. 模型量化技术：
   这也是我们能够在低端设备上部署模型的关键理论，降低加载模型的精度使得内存、显存使用量更低.
   3.GGUF
   这是一种用来高效存储模型的格式，方便快速加载和传输.
3. llama.cpp
   这个工具十分强大，即使没有gpu，也可以使用cpu自带的simd指令集（类似于avx512）进行快速推理，也可以同时使用gpu和cpu一起推理。它也可以被编译到App中，在客户端本地进行推理. 也可以变身为一个chatgpt api兼容的web服务器。总之可玩性非常强.

3.实操

1)hugging face的使用(别的也行，方法类似)：

（点点点）
这里就不再对各大厂商发布的模型做介绍了， 可以去官网上选择自己合适的。
举个例子，可以通过翻越某种保护性建筑（高约2m）的方式，访问下面的这个地址，查看google开源的gemma 2模型（it 表示这是对指令微调过的, -GGUF表示这是被转化成GGUF格式的），其中不同等级的经过量化的文件和他们的效果都在表格中，可以选择合适自己的。

https://huggingface.co/bartowski/gemma-2-9b-it-GGUF
下载下来的文件是个GGUF格式的文件。

2)llama.cpp（别的也行，方法类似）

(conrol c + control v)
https://github.com/ggerganov/llama.cpp
如果你有支持cuda的gpu，需要加一个编译时参数（需要重新编译项目）来加速推理过程，可以看看这个教程
https://github.com/ggerganov/llama.cpp/blob/master/docs/build.md#cuda
如果没有GPU下个符合自己电脑架构的release版就可以了

4.检验成果

1) 简单对话机器人

llama-cli -m 你的gguf文件名 -p "You are a helpful assistant" -cnv

2）作为一个服务器使用

使用命令
./llama-server -m 你的gguf文件名 --port 8080

3)gpu参数

-ngl 35， 后面数字越大，代表越多层被移进gpu，随之而来的是速度越快。
还有挺多玩法，可以看看github上的补充细节，相信你们能做到，呵呵。

测试结果

本人在一台gpu虚拟化（显存6GB P40)的linux虚拟机上（内存32GB，30虚拟核心）使用5bit量化的gemma2-9b-it模型，速度可以达到10tokens/s，考虑到垃圾的硬件配置，这个速度可以说是不错了。

要是还有什么别的需求，可以给我留言，我再针对一些详细的玩法，比如说构建前端啦，后端啦，chatgpt api之类的，写点文章。帮助大家打破信息茧房。