用 llama.cpp 跑 llama 2，用 AMD Radeon RX 6900 做 GPU 加速
这篇文章由两个事件驱动：
前段时间，本届人工智能的赛季里最大的人工智能供应商、在社交和 VR 领域都被黒成狗、在 AI 领域却被称为活菩萨的 Meta 发布了 Llama 2。据说不但能和 OpenAI 的 GPT 系列强行五五开，还可以自己随便 fine-tuning。
大概一个月前 llama.cpp 做了 CLBlast 支持。
于是我的 AMD 的 Radeon 显卡不用太折腾也能玩了。下面就写一下在 Ubuntu 22.04 Jammy Jellyfish 下跑 llama.cpp + llama2。
下载模型
好心的 TheBloke 提供了转换好的 Llama2 模型供下载：
・TheBloke/Llama-2-70B-GGML
TheBloke/Llama-2-70B-Chat-GGML
TheBloke/Llama-2-13B-GGML
TheBloke/Llama-2-13B-chat-GGML
TheBloke/Llama-2-7B-GGML
TheBloke/Llama-2-7B-Chat-GGML
根据你的内存，选择合适的版本下载。比如 70b 的版本大概需要 31GB~70GB 的内存。我下了llama-2-13b-chat.ggmlv3.q4_K_M.bin
其中 q4 表示 4bit 版本。下好的模型是一个 .bin 结尾的文件，存好，放到 ~/Downloads/llama-2-13b-chat.ggmlv3.q4_K_M.bin。
编译 llama.cpp
Ubuntu 下载好相关工具和库：
sudo apt install git make cmake vim
先 clone 一下 Llama.cpp 的代码：
git clone https://github.com/ggerganov/llama.cpp
官网上说直接 make 就好，但是我这里有点问题，所以换成了 cmake：
mkdir build
cd build
cmake ..
cmake --build . --config Release
构建好的程序会放在 llama.cpp/build/bin，其中 main 是命令程序入口，server 是 Web 服务器入口。
把它复制出来换个名字：
cp ./bin/main/main ../llama-cpu
cd ..
测试一下
在 llama.cpp/examples 下面有几个测试脚本，复制一个改成我们自己的：
cp examples/chat-13B.sh examples/chat-llama2-13B.sh
vim examples/chat-llama2-13B.sh
把 examples/chat-llama2-13B.sh 里面的 MODEL 里模型的路径换成自己的路径，例如
MODEL="/home/lyric/Downloads/llama-2-13b-chat.ggmlv3.q4_K_M.bin"
再把里面的 ./main 换成自己的名字 ./llama-cpu
然后运行：
./examples/chat-llama2-13B.sh
根据你的机器配置的情况，要等一会儿，然后就可以开始聊天了，大概是下面图的效果，其中绿色的字是我输入的，白色的字是 Llama 2 返回的。
启用 GPU 加速
去 AMD 下载驱动： https://repo.radeon.com/amdgpu-install/
TIP
注意一下，5.* 版本才是新版，2*.*.* 这种反而是旧版本。旧版本是不能用的。
5.5 版本： https://repo.radeon.com/amdgpu-install/5.5/ubuntu/jammy/
装好以后，运行一下：
amdgpu-install --usecase=opencl,rocm
Ubuntu 下载好相关的库：
sudo apt install ocl-icd-dev ocl-icd-opencl-dev \
opencl-headers libclblast-dev
重新去编译一下，加 -DLLAMA_CLBLAST=ON 参数
cd build
cmake .. -DLLAMA_CLBLAST=ON -DCLBlast_dir=/usr/local
cmake --build . --config Release
把它复制出来换个名字：
cp ./bin/main/main ../llama-cl
cd ..
然后改改启动脚本：
vim examples/chat-llama2-13B.sh
把里面的 ./llama-cpu 换成自己的名字 ./llama-cl
然后在倒数第二行加上 --n-gpu-layers 40，例如我的是：
./llama-cl $GEN_OPTIONS \
--model "$MODEL" \
--threads "$N_THREAD" \
--n_predict "$N_PREDICTS" \
--color --interactive \
--file ${PROMPT_FILE} \
--reverse-prompt "${USER_NAME}:" \
--in-prefix ' ' \
--n-gpu-layers 40
"$@"
TIP
这里的 --n-gpu-layers 会使用显存来加速 token 生成，我的显卡设置的 40，你可以随便设置一个很大的数字，比如 100000，llama.cpp 会选择显卡最大能用的层数。
然后运行：
./examples/chat-llama2-13B.sh
理论上使用 GPU 加速以后，这次等待时间会短很多，并且应该能在输出里看到类似下面的字样：
ggml_opencl: selecting platform: 'AMD Accelerated Parallel Processing'
...
ama_model_load_internal: using OpenCL for GPU acceleration
llama_model_load_internal: mem required = 710.19 MB (+ 1600.00 MB per state)
llama_model_load_internal: offloading 40 repeating layers to GPU
llama_model_load_internal: offloaded 40/41 layers to GPU
llama_model_load_internal: total VRAM used: 7285 MB
...
就说明有在用 GPU 加速了，在我的电脑上，生成速度大概能到 600+token 每秒，感觉非常快了。
跑个服务
llama.cpp 也提供了 server，可以参考官方文档。
我的话，就直接运行：
./server -m ~/Download/llama-2-13b-chat.ggmlv3.q4_K_M.bin \
-c 2048 -ngl 40 --port 10081
然后打开 http://localhost:10081 就能用 Web UI 了。
这个 Web server 是支持 API 请求的，比如说：
curl --request POST \
--url http://localhost:10081/completion \
--header "Content-Type: application/json" \
--data \
'{"prompt": "Build a website can be done in 10 steps:","n_predict": 128}'
这样就很方便自己拿模型搞事情。
故障排除
OpenCL 的权限问题
有一种情况是只有在 root 权限下才能访问 opencl 相关的函数。比如执行 clinfo 时提示找不到 opencl，但是 sudo clinfo 则正常显示。
那么可以执行一下（把 LOGIN_NAME 换成自己的用户名）：
sudo usermod -a -G video LOGIN_NAME
sudo usermod -a -G render LOGIN_NAME
给自己当前用户权限就行。
关于 Llama2 傻傻的问题
OpenAI 的 ChatGPT 是经过了很多 prompt 工程和优化的，但是自己跑起来的 Llama2 没有做过这些事情。所以如果发现 Llama2 傻傻的话，请加大 Prompt 的投喂力度，否则 Llama2 可能很难让您满意。
举个例子，如果你想要 llama2 输出 JSON，需要在 prompt 里提供几个生成 JSON 的例子，类似下面这个意图识别的例子：
You read the following text and recognize user's intent.
Possible intents are:
1. "吃饭"
2. "睡觉"
3. "打豆豆"
9999. "unknown intent"
You must return the intent with the highest confidence.
You must return the result as JSON format.
Here is the template:
{ "id": id, "intent": "USER'S INTENT", "confidence": 0.9 }
**instructions: 我饿了**
{ "id": 1, "intent": "吃饭", "confidence": 0.9 }
**instructions: 困了，想睡觉**
{ "id": 2, "intent": "睡觉", "confidence": 0.9 }
**instructions: 豆豆在哪？我要揍它**
{ "id": 3, "intent": "打豆豆", "confidence": 0.7 }
**instructions: 现在几点**
{ "id": 9999, "intent": "unknown intent", "confidence": 0.9 }
配置到 Web UI 大概是这样：
运行效果如下：
还不错~