windows 下跑起大模型（llama）操作笔记
原贴地址：https://testerhome.com/topics/39091
前言
国内访问 chatgpt 太麻烦了，还是本地自己搭一个比较快，也方便后续修改微调啥的。
之前 llama 刚出来的时候在 mac 上试了下，也在 windows 上用 conda 折腾过，环境配置步骤太多，都没跑起来。最近网上看到有预编译的，对环境要求降低了非常多，所以早上试了下，终于跑起来了。
使用平台
系统：windows 10
硬件：i5 12400F + 32GB 内存 + RTX 3090 显卡
具体步骤
主要参考 llama.cpp教程：Windows系统上无需编译，直接运行一个自己的LLaMA 2 - 怕刺 。基本上使用的都是已经预编译好的软件，不用特别折腾环境配置。
因为用了 nvidia 的显卡，而且 cpu 本身也不强，所以主要配置为 gpu 加速为主
下载 cuda
直接到 CUDA Toolkit 12.3 Update 2 Downloads | NVIDIA Developer 下载对应自己系统的安装文件即可。
下载预编译 llama.cpp 软件
到 Releases · ggerganov/llama.cpp · GitHub ，下载 cuda 12 版本。下载完毕后，解压到一个文件夹里。我这里用的文件夹名字为 llama-bin-win-cuba-x64 ，下面也都用这个路径。
创建 prompt 文件
把 https://raw.githubusercontent.com/ggerganov/llama.cpp/master/prompts/chat-with-bob.txt 下载到 llama-bin-win-cuba-x64 根目录
下载量化模型
结合硬件配置，我用的是 13b 的模型 llama-2-13b-chat.Q5_K_M 。大家可以参考 llama.cpp教程：Windows系统上无需编译，直接运行一个自己的LLaMA 2 - 怕刺 选择合适自己的。
这里要注意，目前是无法直接访问 huggingface.co 网站的，我用的是 hf-mirror.com - Huggingface 镜像站 镜像站点来解决。下载上面这个模型不需要 token 验证，所以可以直接打开 llama-2-13b-chat.Q5_K_M.gguf · TheBloke/Llama-2-13B-chat-GGUF at main ，点击 download 按钮直接下载
运行模型
在终端中打开 llama-bin-win-cuba-x64 目录，运行如下命令（模型 gguf 文件名，记得替换成自己用的）
.\main.exe -m .\llama-2-13b-chat.Q5_K_M.gguf -n -1 --repeat_penalty 1.0 --color -i -r "User:" -f .\chat-with-bob.txt --n-gpu-layers 1
注意，最后的 --n-gpu-layers 1 表示第一层让 gpu 计算，剩下给 cpu。运行后，会出现类似下面内容：
其中 llm_load_tensors: offloaded 1/41 layers to GPU ，说明一共有 41 层，gpu 运行第 1 层。后续想全部给 gpu 运行，把命令里的 --n-gpu-layers 1 改为 --n-gpu-layers 41 即可。
推荐大家可以尽量用 gpu 加速，运行速度比 cpu 快不少。
运行效果：
总结
初步在本地跑了起来，完成了第一步。后面继续折腾，把它变成 web 服务，上层再做更多事情。
同时TesterHome社区学堂上架了 人工智能和测试的入门课程，助力大家学习人工智能，并实现工资提升。
人工智能测试入门与进阶
也可以访问edu.testerhome.com，查看更多课程。