探索Llama 3.1：开源模型的本地部署与创新应用实践

1 Llama 3.1模型的突破性进展

在数字化转型的浪潮中，大型语言模型（LLM）以其卓越的处理能力和广泛的应用潜力，正在成为人工智能领域的新宠。

这些模型不仅在自然语言处理（NLP）领域取得了显著的进展，还在计算机视觉（CV）、多模态学习和科学计算等多个领域展现了巨大的应用潜力。

随着开源LLM的兴起，全球的Java开发工程师和研究者获得了一个宝贵的机会，可以在本地环境中部署和定制这些模型，以创造具有独特价值的应用程序。

2024年7月23日，Meta公司推出了Llama 3.1系列，这一举措为开源模型领域带来了新的活力。

特别是Llama 3.1 405B模型，它凭借其4050亿的参数量和128K Tokens的上下文长度，成为了Meta公司迄今为止规模最大的模型之一。

这一成就的背后，是超过15万亿的Tokens和超过1.6万个H100 GPU的强大计算资源，Llama 3.1在规模和性能上的显著提升，不仅在技术上实现了飞跃，更在多种任务中展现出了前所未有的灵活性和潜力。

2 Llama 3.1模型在业务场景中的实践案例

作为一名Java开发工程师，我对这一进展感到无比振奋。这些大型模型的出现，不仅推动了技术的进步，也为我们的日常工作带来了新的挑战和机遇。

它们提供了强大的工具，使我们能够构建更加智能和高效的系统，我们也面临着如何优化这些模型以适应特定应用场景的问题，以及如何确保这些模型的可解释性和安全性。

在实际工作中，我尝试将Llama 3.1 405B模型集成到一个客户服务机器人中，这个机器人需要处理大量的用户查询，并提供准确的回答。

通过使用Llama 3.1 405B模型，机器人能够更好地理解用户的意图，提供更加个性化的服务。这不仅提高了用户的满意度，也提高了服务的效率。

此外之外，我还尝试将Llama 3.1 405B模型应用于一个复杂的数据分析项目中，在这个项目中，模型需要从大量的数据中提取有价值的信息，并生成报告。

Llama 3.1 405B模型的上下文理解能力，使得它能够从数据中提取出更深层次的关联和模式，这对于数据分析来说是非常宝贵的。

这些大型模型也带来了新的挑战。它们的训练和部署需要大量的计算资源，这对于许多组织来说可能是一个负担，以及模型的可解释性仍然是一个挑战。尽管它们能够执行复杂的任务，但它们是如何做出决策的，对于人类来说往往是一个黑箱。

安全性也是一个重要的考虑因素。随着这些模型在各个领域的应用越来越广泛，确保它们的决策不会带来潜在的风险变得尤为重要。

3 使用教程

（1）模型下载好后，准备加载模型及启动Web服务等工作，新建 llamaBot.py 文件并在其中输入以下内容：

代码语言：python

代码运行次数：0

复制

Cloud Studio 代码运行

from transformers import AutoTokenizer, AutoModelForCausalLM

import torch

import streamlit as st



# 创建一个标题和一个副标题

st.title("💬 LLaMA3.1 Chatbot")

st.caption("🚀 A streamlit chatbot powered by Self-LLM")



# 定义模型路径

mode\_name\_or\_path = '/root/workspace/Llama-3.1-8B-Instruct'



# 定义一个函数，用于获取模型和tokenizer

@st.cache\_resource

def get\_model():

    # 从预训练的模型中获取tokenizer

    tokenizer = AutoTokenizer.from\_pretrained(mode\_name\_or\_path, trust\_remote\_code=True)

    tokenizer.pad\_token = tokenizer.eos\_token

    # 从预训练的模型中获取模型，并设置模型参数

    model = AutoModelForCausalLM.from\_pretrained(mode\_name\_or\_path, torch\_dtype=torch.bfloat16).cuda()

  

    return tokenizer, model



# 加载LLaMA3的model和tokenizer

tokenizer, model = get\_model()



# 如果session\_state中没有"messages"，则创建一个包含默认消息的列表

if "messages" not in st.session\_state:

    st.session\_state["messages"] = []



# 遍历session\_state中的所有消息，并显示在聊天界面上

for msg in st.session\_state.messages:

    st.chat\_message(msg["role"]).write(msg["content"])



# 如果用户在聊天输入框中输入了内容，则执行以下操作

if prompt := st.chat\_input():

    

    # 在聊天界面上显示用户的输入

    st.chat\_message("user").write(prompt)

    

    # 将用户输入添加到session\_state中的messages列表中

    st.session\_state.messages.append({"role": "user", "content": prompt})



    # 将对话输入模型，获得返回

    input\_ids = tokenizer.apply\_chat\_template(st.session\_state["messages"],tokenize=False,add\_generation\_prompt=True)

    model\_inputs = tokenizer([input\_ids], return\_tensors="pt").to('cuda')

    generated\_ids = model.generate(model\_inputs.input\_ids,max\_new\_tokens=512)

    generated\_ids = [

        output\_ids[len(input\_ids):] for input\_ids, output\_ids in zip(model\_inputs.input\_ids, generated\_ids)

    ]

    response = tokenizer.batch\_decode(generated\_ids, skip\_special\_tokens=True)[0]



    # 将模型的输出添加到session\_state中的messages列表中

    st.session\_state.messages.append({"role": "assistant", "content": response})

    # 在聊天界面上显示模型的输出

    st.chat\_message("assistant").write(response)

    print(st.session\_state)

（2）在终端中运行以下命令，启动 streamlit 服务，server.port 可以更换端口：

代码语言：bash

复制

streamlit run llamaBot.py --server.address 0.0.0.0 --server.port 1024

需注意服务地址务必指定位0.0.0.0，否则无法通过浏览器访问

（3）接下来我们需要通过丹摩平台提供的端口映射能力，把内网端口映射到公网；

进入GPU 云实例页面，点击操作-更多-访问控制：

（4）点击添加端口，添加streamlit服务对应端口：

（5）添加成功后，通过访问链接即即可打开LLaMA3.1 Chatbot交互界面，并与其对话：

4 Llama 3.1在客户服务中的运用

在实际应用中，我尝试将Llama 3.1 405B模型集成到一个客户服务机器人中，这个机器人需要处理大量的用户查询，并提供准确的回答。

通过使用Llama 3.1 405B模型，机器人能够更好地理解用户的意图，提供更加个性化的服务。这不仅提高了用户的满意度，也提高了服务的效率。

我还尝试将Llama 3.1 405B模型应用于一个复杂的数据分析项目中，在这个项目中，模型需要从大量的数据中提取有价值的信息，并生成报告。

Llama 3.1 405B模型的上下文理解能力，使得它能够从数据中提取出更深层次的关联和模式，这对于数据分析来说是非常宝贵的。

程序员为什么要学大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​