Windows11下私有化部署大语言模型实战 langchain+llama2

一、本机环境

1.硬件环境：

CPU：锐龙5600X

显卡：GTX3070

内存：32G

注：硬件配置仅为博主的配置，不是最低要求配置，也不是推荐配置。该配置下计算速度约为40tokens/s。实测核显笔记本（i7-1165g7）也能跑，速度3tokens/s。

2.软件环境：

Windows系统版本：Win11专业版23H2

Python版本：3.11

Cuda版本：12.3.2

VS版本：VS2022 17.8.3

langchain版本：0.0.352

llama-cpp-python版本：0.2.27

二、安装准备工作

1.模型下载

大模型有很多种格式，比如Meta官网下载的pth格式，Huggingface下载的ggml格式、gguf格式等。（博主最开始下的Meta官网的版本，结果发现langchain框架用不了，走了不少弯路）

langchain框架使用的是gguf格式（老版本则是ggml格式 llama.cpp <= 0.1.48），所以我们在Huggingface上下载gguf格式的模型，下载链接为TheBloke/Llama-2-7B-Chat-GGUF at main (huggingface.co)，本文选择的模型为llama-2-7b-chat.Q4_K_M.gguf。

不同模型的大小、硬件需求、计算速度、精度不同，具体区别详见网站的README.md文档。

模型名称	量化方式	模型精度	大小	最小内存要求	备注
llama-2-7b-chat.Q2_K.gguf	Q2_K	2	2.83 GB	5.33 GB	模型最小, 质量最差 - 不推荐
llama-2-7b-chat.Q3_K_S.gguf	Q3_K_S	3	2.95 GB	5.45 GB	模型很小, 质量较差
llama-2-7b-chat.Q3_K_M.gguf	Q3_K_M	3	3.30 GB	5.80 GB	模型很小, 质量较差
llama-2-7b-chat.Q3_K_L.gguf	Q3_K_L	3	3.60 GB	6.10 GB	模型小, 质量略差
llama-2-7b-chat.Q4_0.gguf	Q4_0	4	3.83 GB	6.33 GB	常规;模型小, 质量很差 - 相比更推荐 Q3_K_M
llama-2-7b-chat.Q4_K_S.gguf	Q4_K_S	4	3.86 GB	6.36 GB	模型小, 质量稍好
llama-2-7b-chat.Q4_K_M.gguf	Q4_K_M	4	4.08 GB	6.58 GB	模型中等, 质量中等 - 推荐
llama-2-7b-chat.Q5_0.gguf	Q5_0	5	4.65 GB	7.15 GB	常规; 模型中等, 质量中等 - 相比更推荐 Q4_K_M
llama-2-7b-chat.Q5_K_S.gguf	Q5_K_S	5	4.65 GB	7.15 GB	模型大, 质量稍好 - 推荐
llama-2-7b-chat.Q5_K_M.gguf	Q5_K_M	5	4.78 GB	7.28 GB	模型大, 质量较好 - 推荐
llama-2-7b-chat.Q6_K.gguf	Q6_K	6	5.53 GB	8.03 GB	模型很大, 质量很好
llama-2-7b-chat.Q8_0.gguf	Q8_0	8	7.16 GB	9.66 GB	模型很大, 质量最好 - 不推荐

2.VS2022安装

下载Microsoft C++ 生成工具 - Visual Studio，在安装页面勾选使用C++的桌面开发，完成安装。

3.Cuda安装

注：Cuda用于N卡加速模型计算，langchain+llama2支持只用cpu加速，如不用gpu加速可不安装。

下载Cuda完成安装，下载链接CUDA Toolkit 12.3 Update 2 Downloads | NVIDIA Developer

注：后续安装python包llama-cpp-python时可能会遇到No Cuda toolset found问题，需要将Cuda安装包当作压缩包打开，在cuda_12.3.2_546.12_windows.exe\visual_studio_integration\CUDAVisualStudioIntegration\extras\visual_studio_integration\MSBuildExtensions\文件夹中找到以下4个文件，将这4个文件放入VS2022的目录中，博主的路径为C:\Program Files (x86)\Microsoft Visual Studio\2022\BuildTools\MSBuild\Microsoft\VC\v170

4.Python及其余pip包安装

python安装

Python安装方式请查阅其余教程：安装 python at windows - PanPan003 - 博客园 (cnblogs.com)

langchain安装

打开powershell，输入以下命令安装langchain框架

pip install langchain

llama-cpp-python安装

由于我们要用cuda加速模型计算，安装llama-cpp-python前需要配置powelshell环境，使llama-cpp-python启用cuda。如果仅用cpu跑模型，可不输入此行代码，不同配置的详细说明参照abetlen/llama-cpp-python：llama.cpp 的 Python 绑定 (github.com)

$env=CMAKE_ARGS="-DLLAMA_CUBLAS=on"

输入以下命令安装llama-cpp-python包

pip install llama-cpp-python

如果之前已经安装过llama-cpp-python，想用不同的配置方式重新安装，需要在配置好环境变量后输入

pip install --upgrade --force-reinstall llama-cpp-python

三、运行代码

请将模型与python代码文件放在同一目录下，或自行修改目录。

from langchain.callbacks.manager import CallbackManager
from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_community.llms import LlamaCpp
template = """Question: {question}
Answer: Let's work this out in a step by step way to be sure we have the right answer."""

prompt = PromptTemplate(template=template, input_variables=["question"])

# Callbacks support token-wise streaming
callback_manager = CallbackManager([StreamingStdOutCallbackHandler()])

n_gpu_layers = 40  # Change this value based on your model and your GPU VRAM pool.
n_batch = 512  # Should be between 1 and n_ctx, consider the amount of VRAM in your GPU.

# Make sure the model path is correct for your system!
llm = LlamaCpp(
    model_path="llama-2-7b.Q4_K_M.gguf",
    n_gpu_layers=n_gpu_layers,
    n_batch=n_batch,
    callback_manager=callback_manager,
    verbose=True,  # Verbose is required to pass to the callback manager
)

llm_chain = LLMChain(prompt=prompt, llm=llm)
question = "What NFL team won the Super Bowl in the year Justin Bieber was born?"
llm_chain.run(question)