这一年来,我已经习惯了使用线上大模型 API 来工作,只要网络在,就可以很方便地使用, 同时还能享受比较好的性能。
不过前两周的时候和一个客户聊系统,他们虽然现在没有应用大模型相关的能力,也没有计划安排 GPU 算力, 不过他们还是执着地要在本地进行大模型的部署。我想这也是很多企业不可改变的现状。
对于这部分需求,社区自然是已经有了很好而且很多的解决方案,比如 Ollama,这个 Github 已经 80.3K 星标的项目。本来这类工具做的易用性非常好(简单),一般是拿来看官网文档直接用就好,不过我在使用的时候发现,他的官网是没有专门的文档页面, 只有连接到 Github 的 Markdown,搞得我连运行起来之后的默认端口都要问一下 AI。
所以我就想还是写篇文章,就把我看到的有用的信息都整理了一下,相信对大家也有点用,同时好让大家对 Ollama 有一个比较全面的了解。
文章包含以下内容:
-
• 软件安装以及使用容器运行
-
• 模型下载、运行、对话
-
• 导入自定义模型
-
• 定制系统提示
-
• CLI 命令全解
-
• REST API 介绍
-
• Python API 介绍
-
• 日志和 Debug
-
• Ollama 作为一个服务使用
-
• 模型的存储
-
• OpenAI 兼容性
-
• 并发等常见问题
Ollama 介绍
Ollama是一个专为在本地机器上便捷部署和运行大型语言模型(LLM)而设计的开源工具。它让用户无需深入了解复杂的底层技术,就能轻松地加载、运行和交互各种LLM模型。
Ollama 的特点:
-
• 本地部署:不依赖云端服务,用户可以在自己的设备上运行模型,保护数据隐私。
-
• 多操作系统支持:无论是 Mac、Linux 还是 Window,都能很方便安装使用。
-
• 多模型支持:Ollama 支持多种流行的LLM模型,如Llama、Falcon等,用户可以根据自己的需求选择不同的模型,一键运行。
-
• 易于使用:提供了直观的命令行界面,操作简单,上手容易。
-
• 可扩展性:支持自定义配置,用户可以根据自己的硬件环境和模型需求进行优化。
-
• 开源:代码完全开放,用户可以自由查看、修改和分发,虽然没有很多人会去修改。
安装
MacOS
苹果电脑安装很简单,下载 Zip 解压,运行即可:
https://ollama.com/download/Ollama-darwin.zip
安装运行 Ollama.app
之后,系统任务栏上会有一个应用程序图标,点击可以关闭 Ollama 服务。
Windows
Windows 现在还处于预览版,官方也提供了安装包,安装过程不再赘述。
https://ollama.com/download/OllamaSetup.exe
Linux
Linux 直接 Shell 脚本执行:
curl -fsSL https://ollama.com/install.sh | sh
Docker
除了直接安装,我们还可以通过 Docker 运行,官方提供了镜像 ollama/ollama[1], 可以直接运行。
由于 Docker 有一层封装,所以使用 CPU 和 GPU 需要不同的配置。
CPU 模式
先说 CPU 模式运行,这个不需要什么配置和驱动,直接就可以运行,这也是 Ollama 的优势。
# CPU 模式
docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama
NVIDIA GPU
前面的命令运行时直接使用 CPU 来进行推理的,适合普通电脑没有 GPU 资源的场景。如果想要在容器(Docker)内使用 GPU 进行推理,配置稍微麻烦一下。
在 Docker 中使用 Nvidia GPU 的过程大家可以参考 NVIDIA 容器工具包文件安装文档[2]。
首先是为 Linux 发行版安装 NVIDIA GPU 驱动程序,安装过程也不是很复杂,以 APT(Ubuntu、Debian 等系统适用)为例。
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
&& curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list |
sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' |
sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sed -i -e '/experimental/ s/^#//g' /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit
然后配置容器运行时,并重新启动容器服务进程(下面以 Docker 为例,Containerd/Kubernetes 可以参考文末文档):
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker
然后增加启动参数 --gpus=all
使用 GPU 模式启动容器:
# GPU 模式
docker run -d --gpus=all -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama
AMD GPU
如果使用 AMD GPUs 来运行 Ollama, 使用 rocm
版本的镜像和以下命令运行:
docker run -d --device /dev/kfd --device /dev/dri -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama:rocm
运行模型
本地运行
安装成功之后,运行模型只需要简单的一句命令:
ollama run llama3.1
如果是第一次运行, Ollama 会先从网络上下载模型(5个G左右),比如我下载速度是 2-5M/s,半个多小时之后就可以下载完成了。等待过程大家可以泡个茶休息下。
容器运行
在容器里面运行模型和在本机运行一样,使用 ollama run <model>
命令:
docker exec -it ollama ollama run llama3
支持的模型
使用 ollama run <模型名>
来运行模型,第一次运行会先下载模型哦。
比如下载 「Llama 3.1」, 那么执行下面命令即可:
ollama run llama:3.1
下面列出常用的模型,以及其参数数量、文件大小、在 Ollama 中的模型名,比如 Meta 公司的 Llama 模型, 谷歌公司的 Gemma 模型,以及国内智谱的 GLM 模型、阿里云的千问模型。。
模型 | 参数 | 大小 | 模型名 |
Llama3.1 | 8B | 4.7G | llama3.1 |
Llama3.1 | 405B | 231G | llama3.1:405b |
GLM4 | 9B | 5.5G | glm4 |
Qwen2 | 7B | 4.4G | qwen2 |
Qwen2 | 72B | 41G | qwen2:72b |
Llama3 | 8B | 4.7G | llama3 |
Llama3 | 70B | 40G | llama3:70b |
Phi3 | 3.8B | 2.3G | phi3 |
Phi3 | 14B | 7.9G | phi3:medium |
Gemma2 | 9B | 5.5G | gemma2 |
Gemma2 | 27B | 16G | gemma2:27b |
Mistral | 7B | 4.1G | mistral |
Starling | 7B | 4.1G | starling-lm |
CodeLlama | 7B | 3.8G | codellama |
LLaVA | 7B | 4.5G | llava |
Solar | 10.7B | 6.1G | solar |
完整的模型大家可以去 Ollama Library[3] 去搜索和查看。
点击模型可以看到模型的介绍、参数列表、下载命令,等详细信息。
部分模型的 Readme 里面还可以看到模型的评估报告:
7B
型号的模型,需要至少拥有 8 GB 的 RAM ,运行 13B
型号的模型需要至少 16 GB 的 RAM, ,运行 33B
型号的模型需要至少 32 GB 的 RAM。自定义模型
除了内置支持的模型,你也可以使用 Ollama 来运行自定义模型。支持下面三种方式导入模型:
-
• GGUF
-
• PyTorch
-
• Safetensors
从 GGUF 导入
GGUF 是一种文件格式,用于存储使用 GGML 进行推理的模型以及基于 GGML 的执行器。
GGUF 是一种二进制格式,旨在快速加载和保存模型,并且易于读取。一般情况下,模型是使用 PyTorch 或其他框架开发的,然后转换为 GGUF 以在 GGML 中使用。
GGUF 的更多介绍和特点我们不过多介绍,您可以访问 GGUF Github 站点[4]来获取相关信息。
使用 Ollama 导入 GGUF 模型非常简单,只需要如下三步:
-
1. 创建一个名为 的文件Modelfile,其中包含FROM要导入的模型的本地文件路径的指令。
FROM ./vicuna-33b.Q4_0.gguf
-
1. 在 Ollama 中创建模型,这一步我们可以指定模型的名称,比如
vicuna-33b-q4
ollama create vicuna-33b-q4 -f Modelfile
-
1. 经过上面两个步骤,我们就可以像运行内置模型一样运行刚刚导入的自定义模型了。
ollama run vicuna-33b-q4
从 PyTorch 或 Safetensors 导入
如果导入的模型是以下架构之一,则可以通过 Modelfile 直接导入 Ollama:
-
• LlamaForCausalLM
-
• MistralForCausalLM
-
• GemmaForCausalLM
FROM /path/to/safetensors/directory
如果不能支持的话,需要先使用 llama.cpp 转换成 GGUF 格式[5]:
常见的格式比如 HuggingFace、GGML、Lora 都支持,并提供了转换文件。
-
•
convert_hf_to_gguf.py
-
•
convert_hf_to_gguf_update.py
-
•
convert_llama_ggml_to_gguf.py
-
•
convert_lora_to_gguf.py
使用也很简单,比如转换 HuggingFace 模型。
首先克隆llama.cpp
仓库,
git clone https://github.com/ggerganov/llama.cpp.git
安装必要的 Python 依赖:
pip install -r llama.cpp/requirements.txt
使用也很简单,传入 HuggingFace 的模型和输出位置等参数即可:
python llama.cpp/convert_hf_to_gguf.py vicuna-hf
--outfile vicuna-13b-v1.5.gguf
--outtype q8_0
定制系统提示
Ollama 支持运行系统模型时候,为每个模型定制系统提示(System Prompt)。
以智谱的 GLM 为例,来看看如何定制系统提示语。
首先确保我们下载了该模型:
ollama pull glm4
创建一个模型文件 Modelfile
:
FROM glm4
# set the temperature to 1 [higher is more creative, lower is more coherent]
PARAMETER temperature 1
# set the system message
SYSTEM """
你现在是一个修仙世界的修炼导师,来指导人们修炼。每次回答都以:「渺小的人类」作为开始。
"""
然后运行模型:
ollama create glm4xiuxian -f ./Modelfile
ollama run glm4xiuxian
然后问问他「今天我要做什么」,看看大模型怎么回答:
Ollama 相关命令
前面已经用到了很多 Ollama 命令,我们下载系统的看一下 Ollama 的 CLI 命令。
创建模型
ollama create
用于从 Modelfile 创建模型。
ollama create mymodel -f ./Modelfile
Dockerfile
。拉取和更新模型
ollama pull
用于拉取模型,如果模型已经存在,那么则更新本地模型。
ollama pull llama3
删除模型
如果模型不再使用,可以使用 ollama rm
从本机删除掉,以节省磁盘存储空间。下次使用的时候,仍然可以重新拉取。
ollama rm llama3
复制模型
ollama cp
命令可以复制一个模型,复制模型会占用双倍的磁盘空间。
ollama cp llama3 my-model
多行输入
在 Ollama 的命令行里面,回车表示发送指令,如果需要多行输入,可以使用单引号 ( """
) 来完成。
>>> """Hello,
... world!
... """
多模态模型
使用多模态模型,只需要输入文件图片地址,即可表示上传了这个图片文件。
>>> What's in this image? /Users/jmorgan/Desktop/smile.png
The image features a yellow smiley face, which is likely the central focus of the picture.
run 参数提问
我们可以把提示词直接通过参数传递给大模型,该命令不会进入交互式输入模式。比如:
ollama run glm4xiuxian 今天我要做什么
显示模型信息
ollama show glm4
注意,只有下载过之后的模型才能通过 show
命令来显示模型相关信息。
启动
当您想启动 Ollama 时可以使用 ollama serve
。这样就不需要使用 Ollama 的客户端程序了。比如我们在 Linux 服务器上就可以这样使用。
ollama serve
启动之后,我们需要新开一个 Shell 窗口来运行模型:
./ollama run glm4
11435
,无论是使用 App 启动,还是使用命令行启动,均是这个默认端口。由于 命令行和 APP 都使用 11435
默认端口,我们再 GUI 工作的时候执行 ollama server
会提示端口已占用。我们可以通过环境变量指定一个新的端口,来同时运行两个 ollama 实例:
OLLAMA_HOST=127.0.0.1:11435 ollama serve
Serve 命令提供了很多环境变量,可以让你更自由的运行 Ollama 程序:
-
•
OLLAMA_DEBUG
显示其他调试信息(例如 OLLAMA_DEBUG=1) -
•
OLLAMA_HOST
ollama 服务器的 IP 地址(默认 127.0.0.1:11434) -
•
OLLAMA_KEEP_ALIVE
模型在内存中保持加载状态的持续时间(默认“5 分钟”) -
•
OLLAMA_MAX_LOADED_MODELS
每个 GPU 加载的最大模型数量 -
•
OLLAMA_MAX_QUEUE
排队请求的最大数量 -
•
OLLAMA_MODELS
模型目录的路径 -
•
OLLAMA_NUM_PARALLEL
并行请求的最大数量 -
•
OLLAMA_NOPRUNE
启动时不修剪模型 blob -
•
OLLAMA_ORIGINS
允许来源的逗号分隔列表 -
•
OLLAMA_TMPDIR
临时文件的位置 -
•
OLLAMA_FLASH_ATTENTION
启用闪存注意 -
•
OLLAMA_LLM_LIBRARY
设置 LLM 库以绕过自动检测
REST API
Ollama 启动之后,会自动运行一个执行和管理模型的 API。
回答 API
curl http://localhost:11434/api/generate -d '{
"model": "llama3",
"prompt":"Why is the sky blue?"
}'
聊天 API
curl http://localhost:11434/api/chat -d '{
"model": "llama3",
"messages": [
{ "role": "user", "content": "why is the sky blue?" }
]
}'
除了上述最基本的用法,我们还可以指定响应格式、使用流式响应等。
比如使用流式 API:
curl http://localhost:11434/api/generate -d '{
"model": "glm4",
"prompt": "天空是什么颜色?"
}'
或者非流式 API,直接返回结果:
curl http://localhost:11434/api/generate -d '{
"model": "glm4",
"prompt": "天空是什么颜色?",
"stream": false
}'
更多用法可以参考 Ollama API 文档[6]。
Python API
Ollama 提供了 Python API,可以让 Python 程序快速与 Ollama 集成起来。
首先安装依赖库:
pip install ollama
聊天:
import ollama
response = ollama.chat(model='llama3', messages=[
{
'role': 'user',
'content': 'Why is the sky blue?',
},
])
print(response['message']['content'])
使用流式API:
import ollama
stream = ollama.chat(
model='llama3',
messages=[{'role': 'user', 'content': 'Why is the sky blue?'}],
stream=True,
)
for chunk in stream:
print(chunk['message']['content'], end='', flush=True)
另外,CLI 提供的指令在 Python 里面都有 API 对应。
聊天
ollama.create(model='example', modelfile=modelfile)
生成文本
ollama.generate(model='llama3', prompt='Why is the sky blue?')
列出模型
ollama.list()
显示模型信息
ollama.show('llama3')
创建模型
modelfile='''
FROM llama3
SYSTEM You are mario from super mario bros.
'''
ollama.create(model='example', modelfile=modelfile)
拉取模型
ollama.pull('llama3')
拷贝模型
ollama.copy('llama3', 'user/llama3')
删除模型
ollama.delete('llama3')
自定义客户端
创建客户端的时候可以指定 host
和 timeout
两个参数:
from ollama import Client
client = Client(host='http://localhost:11434')
response = client.chat(model='llama3', messages=[
{
'role': 'user',
'content': 'Why is the sky blue?',
},
])
错误处理
一般使用 ResponseError
来捕获异常,处理错误:
try:
ollama.chat(model)
except ollama.ResponseError as e:
print('Error:', e.error)
if e.status_code == 404:
ollama.pull(model)
日志
Ollama 的日志文件存储在 ~/.ollama/logs/server.log
,我们可以通过查看 这个日志文件来获取 Ollama 的运行信息,以及排查错误。
在 Mac 上直接打开文件即可查看日志:
也可以通过命令行来查看:
cat ~/.ollama/logs/server.log
如果是容器运行的话,更简单,直接查看容器的输出即可:
docker logs <container-name>
调试
LLM 窗口大小
默认情况下,Ollama 使用 2048 个标记的上下文窗口大小。
要在使用ollama run
的时候更改此设置,请使用/set parameter
:
/set parameter num_ctx 4096
使用API时,指定num_ctx参数:
curl http://localhost:11434/api/generate -d '{
"model": "llama3",
"prompt": "Why is the sky blue?",
"options": {
"num_ctx": 4096
}
}'
GPU 使用
通过 PS 命令查看 模型是否加载到了 GPU 上。
PS 命令会返回当前内存中已经加载的模型:
Processor
列显示模型被加载到哪个内存中:
-
•
100% GPU
表示模型已完全加载到 GPU 中 -
•
100% CPU
表示模型已完全加载到系统内存中 -
•
48%/52% CPU/GPU
表示模型已部分加载到 GPU 和系统内存中
Ollama 作为服务使用
一直到前面为止, Ollama 运行起来都只能在本机使用,可以通过设置环境变量来让其他客户端访问。
Serve 命令
如果是使用 Serve 命令启动,那就比较简单,和我们前面改端口一样:
OLLAMA_HOST=0.0.0.0:11435 ollama serve
MacOS 应用程序
如果 Ollama 作为 macOS 应用程序运行,则应使用以下命令设置环境变量launchctl:
使用 launchctl setenv
设置环境变量,然后重新运行程序。
launchctl setenv OLLAMA_HOST "0.0.0.0"
使用代理
Ollama 支持使用 HTTP_PROXY
和 HTTPS_PROXY
来配置代理。
如果是 Docker 运行,那么使用 -e HTTPS_PROXY=https://proxy.example.com
来设置环境变量即可。
模型存储
Ollama 会下载模型到本地,不同操作系统的模型位置分别是:
-
• MacOS:
~/.ollama/models
-
• Linux:
/usr/share/ollama/.ollama/models
-
• Windows:
C:Users%username%.ollamamodels
如果你想将模型存储到不同位置,可以使用 OLLAMA_MODELS
环境变量来指定不同的目录。
并发
以下服务器设置可用于调整 Ollama 在大多数平台上处理并发请求的方式:
-
•
OLLAMA_MAX_LOADED_MODELS
可同时加载的最大模型数量(前提是它们适合可用内存)。默认值为 3 * GPU 数量或 3(用于 CPU 推理)。 -
•
OLLAMA_NUM_PARALLEL
每个模型同时处理的最大并行请求数。默认将根据可用内存自动选择 4 或 1。 -
•
OLLAMA_MAX_QUEUE
Ollama 在繁忙时排队的最大请求数,在拒绝其他请求之前。默认值为 512
Ollama 处理并发请求的逻辑是:
-
• 如果有足够内存,则可以同时加载多个模型
-
• 对于某个模型,如果有足够内存,则可以并发处理请求
-
• 如果内存不足以加载新模型:所有请求都排队,直至新模型加载
-
• 之前的模型空闲时,会写在一个或多个模型腾出空间给新模型
-
• 排队的请求按顺序处理
OpenAI 兼容性
Ollama 与OpenAI API的部分内容提供了实验性的兼容性, 以帮助将现有应用程序连接到 Ollama。
使用 OpenAI Python 库
用法和 OpenAI 的客户端用法一样。
from openai import OpenAI
client = OpenAI(
base_url='http://localhost:11434/v1/',
# required but ignored
api_key='ollama',
)
chat_completion = client.chat.completions.create(
messages=[
{
'role': 'user',
'content': 'Say this is a test',
}
],
model='llama3',
)
OpenAI JavaScript
import OpenAI from 'openai'
const openai = new OpenAI({
baseURL: 'http://localhost:11434/v1/',
// required but ignored
apiKey: 'ollama',
})
const chatCompletion = await openai.chat.completions.create({
messages: [{ role: 'user', content: 'Say this is a test' }],
model: 'llama3',
})
CURL 工具
curl http://localhost:11434/v1/chat/completions
-H "Content-Type: application/json"
-d '{
"model": "llama3",
"messages": [
{
"role": "system",
"content": "You are a helpful assistant."
},
{
"role": "user",
"content": "Hello!"
}
]
}'
模型名称
有些程序依赖 OpenAI 默认的模型名称(例如 gpt-3.5-turbo
), 无法修改或者指定模型,可以使用如下方法来解决。
复制一个你喜欢的模型为 gpt-3.5-turbo
,
ollama cp llama3 gpt-3.5-turbo
这样我们就可以李代桃僵来保证原有程序不变,依然传递 gpt-3.5-turbo
作为模型名称:
curl http://localhost:11434/v1/chat/completions
-H "Content-Type: application/json"
-d '{
"model": "gpt-3.5-turbo",
"messages": [
{
"role": "user",
"content": "Hello!"
}
]
}'
社区和集成
社区有大量工具和类库都对 Ollama 做了集成,或者说基于 Ollama 进行构建, 我们可以在官网文档[7]上查看具体的项目列表:
引用链接
[1]
ollama/ollama: https://hub.docker.com/r/ollama/ollama[2]
NVIDIA 容器工具包文件安装文档: https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html#installation[3]
Ollama Library: https://ollama.com/library[4]
GGUF Github 站点: https://github.com/ggerganov/ggml[5]
llama.cpp 转换成 GGUF 格式: https://github.com/ggerganov/llama.cpp/blob/master/README.md#prepare-and-quantize[6]
Ollama API 文档: https://github.com/ollama/ollama/blob/main/docs/api.md[7]
官网文档: https://github.com/ollama/ollama/blob/main/README.md
--- END ---
原文始发于微信公众号(利刃信安):Ollama 本地运行大模型(LLM)完全指南
- 左青龙
- 微信扫一扫
- 右白虎
- 微信扫一扫
评论