llama.cpp模型推理之界面篇

本文介绍: 在《基于llama.cpp学习开源LLM本地部署》这篇中介绍了基于llama.cpp学习开源LLM本地部署。在最后简单介绍了API 的调用方式。不习惯命令行的同鞋，也可以试试 llama.cpp 界面的交互方式，本章就详细介绍一下server。llama.cpp 的 server 服务是基于 httplib 搭建的一个简单的HTTP API服务和与llama.cpp交互的简单web前端。-t N: 设置生成时要使用的线程数.: 设置批处理和提示处理期间使用的线程数。

前言

一、llama.cpp 目录结构

二、llama.cpp 之 server 学习

前言

在《基于llama.cpp学习开源LLM本地部署》这篇中介绍了基于llama.cpp学习开源LLM本地部署。在最后简单介绍了API 的调用方式。不习惯命令行的同鞋，也可以试试 llama.cpp 界面的交互方式，本章就详细介绍一下server。

一、llama.cpp 目录结构

整个目录比较简洁，没多少东西，以最少的代码实现最全的功能，值得学习。文档都很全，基本上在学习该推理框架时遇到或者没有想到，你都能在根目录或子目录的README.md 找到。

本章主要讲 server的界面。可以在examples/server下看看README。或者直接翻到根目录下打开README.md. 找到如下点击：

二、llama.cpp 之 server 学习

1. 介绍

llama.cpp 的 server 服务是基于 httplib 搭建的一个简单的HTTP API服务和与llama.cpp交互的简单web前端。

server命令参数：

--threads N, -t N: 设置生成时要使用的线程数.
-tb N, --threads-batch N: 设置批处理和提示处理期间使用的线程数。如果未指定，则线程数将设置为用于生成的线程数
-m FNAME, --model FNAME: 指定 LLaMA 模型文件的路径（例如，models/7B/ggml-model.gguf）.
-a ALIAS, --alias ALIAS: 设置模型的别名。别名将在 API 响应中返回.
-c N, --ctx-size N: 设置提示上下文的大小。默认值为 512，但 LLaMA 模型是在 2048 的上下文中构建的，这将为更长的输入/推理提供更好的结果。其他模型的大小可能有所不同，例如，百川模型是在上下文为 4096 的情况下构建的.
-ngl N, --n-gpu-layers N: 当使用适当的支持（目前为 CLBlast 或 cuBLAS）进行编译时，此选项允许将某些层卸载到 GPU 进行计算。通常会导致性能提高.
-mg i, --main-gpu i: 使用多个 GPU 时，此选项控制哪个 GPU 用于小张量，对于这些张量，在所有 GPU 之间拆分计算的开销是不值得的。有问题的 GPU 将使用稍多的 VRAM 来存储暂存缓冲区以获得临时结果。默认情况下，使用 GPU 0。需要 cuBLAS.
-ts SPLIT, --tensor-split SPLIT: 使用多个 GPU 时，此选项控制应在所有 GPU 之间拆分多大的张量。SPLIT 是一个以逗号分隔的非负值列表，用于分配每个 GPU 应按顺序获取的数据比例。例如，“3,2”会将 60% 的数据分配给 GPU 0，将 40% 分配给 GPU 1。默认情况下，数据按 VRAM 比例拆分，但这可能不是性能的最佳选择。需要 cuBLAS.
-b N, --batch-size N: 设置用于提示处理的批大小。默认值：512.
--memory-f32: 使用 32 位浮点数而不是 16 位浮点数来表示内存键 + 值。不推荐.
--mlock: 将模型锁定在内存中，防止在内存映射时将其换出.
--no-mmap: 不要对模型进行内存映射。默认情况下，模型映射到内存中，这允许系统根据需要仅加载模型的必要部分.
--numa: 尝试对某些 NUMA 系统有帮助的优化.
--lora FNAME: 将 LoRA（低秩适配）适配器应用于模型（隐含 –no-mmap）。这允许您使预训练模型适应特定任务或领域.
--lora-base FNAME: 可选模型，用作 LoRA 适配器修改的层的基础。此标志与 –lora 标志结合使用，并指定适配的基本模型.
-to N, --timeout N: 服务器读/写超时（以秒为单位）。默认值：600.
--host: 设置要侦听的主机名或 IP 地址. 默认 127.0.0.1.
--port: 将端口设置为侦听。默认值：8080
--path: 从中提供静态文件的路径 (default examples/server/public)
--embedding: 启用嵌入提取，默认值：禁用.
-np N, --parallel N: 设置进程请求的槽数（默认值：1）
-cb, --cont-batching: 启用连续批处理（又名动态批处理）（默认：禁用）
-spf FNAME, --system-prompt-file FNAME :将文件设置为加载“系统提示符（所有插槽的初始提示符）”，这对于聊天应用程序很有用.
--mmproj MMPROJ_FILE: LLaVA 的多模态投影仪文件的路径.

2. 编译部署

编译部署请参考《基于llama.cpp学习开源LLM本地部署》。会在跟目录下生成 ./server

3. 启动服务

./server -m ../models/NousResearch/Llama-2-7b-chat-hf/ggml-model-q4_0.gguf -c 2048

服务启动成功后，如下：

点击或者在浏览器中输入：http://127.0.0.1:8080

可以看到：交互模式，提示词、用户名、提示词模板还有模型参数等设置。打开“更多选型”，如下：

这些参数默认就行，也可以根据实际情况调整。

在最下面输入一些内容，点击“send”，就能与模型进行聊天了。

从学习的角度来看，是不是很方面。不用敲命令，也不用单独搭建前端。直接就能体验大模型，也能学习里面机制与原理。

4、扩展或构建其他的 Web 前端

web静态文件的默认位置是“examples/server/public”。您可以通过运行./server并将“–path”设置为“./your-directory”并导入“/completion.js”来访问 llamaComplete（）方法来扩展前端。

A simple example is below:

<html>
  <body>
    <pre>
      <script type="module">
        import { llama } from '/completion.js'

        const prompt = `### Instruction:
Write dad jokes, each one paragraph.
You can use html formatting if needed.

### Response:`

        for await (const chunk of llama(prompt)) {
          document.write(chunk.data.content)
        }
      </script>
    </pre>
  </body>
</html>