LLaMA快速上手指南

近期，Meta发布了人工智能大语言模型LLaMA，包含70亿、130亿、330亿和650亿这4种参数规模的模型。其中，最小的LLaMA 7B也经过了超1万亿个tokens的训练。

本文我们将以7B模型为例，分享LLaMA的使用方法及其效果。

1. LLaMA的上手指南

这一部分，我们将step by step，展示LLaMA的使用流程。

1） 下载LLaMA模型文件

以7B模型文件为例，包含内容如下：

2）克隆LLaMA项目及环境配置

git clone https://github.com/facebookresearch/llama.git
cd llama
pip install -r requirements.txt
pip install -e

如下示例中，相关操作均可通过IDP终端进行。

3) LLaMA初体验

在IDP的cell中运行如下代码，即可和LLaMA对话，接收LLaMA的回答啦！

对于7B模型：

TARGET_FOLDER=..
torchrun --nproc_per_node 1 example.py --ckpt_dir $TARGET_FOLDER/7B --tokenizer_path $TARGET_FOLDER/tokenizer.model

对于13B模型：

TARGET_FOLDER=..
torchrun --nproc_per_node 2 example.py --ckpt_dir $TARGET_FOLDER/13B --tokenizer_path $TARGET_FOLDER/tokenizer.model

对于不同大小的LLaMA模型文件，上述命令需要调整的为TARGET_FOLDER中模型文件的名称和node参数。

让我们来进行两个简单的问答测试。

Prompt 1:

Building a website can be done in 10 simple steps

LLaMA 7B模型的回答如下：

Prompt 2:

Please write a beautiful love poem

LLaMA 7B的模型回答如下：

LLaMA对这个提示词问题，自行增加了一些场景预设，如“I need some new poems for my birthday（为庆生，我需要一些新诗）"。

输入或调整提示词prompt，可在example.py文件中的prompts部分进行调整，如下图所示。

关于这两个对话示例，我们也同样放上ChatGPT的答案，供大家对比参考。

LLaMA推出3天后，Nebuly AI的初创AI企业在LLaMA的基础上，基于RLHF（基于人类反馈的强化学习）进行训练，打造了对标ChatGPT的ChatLLaMA。

nebullvm/apps/accelerate/chatllama at main · nebuly-ai/nebullvm · GitHub

ChatLLaMA声称训练过程比ChatGPT快15倍。同时，支持DeepSpeed ZERO，可以加快微调速度。

DeepSpeed是一个开源的深度学习训练优化库，ZeRO是一种显存优化技术，用于提高大型模型的训练效率，如提高训练速度，降低成本和提高模型可用性等。

但ChatLLaMA并不提供LLaMA的模型权重，根据其license，也不可以商用。

正如文章标题所说，本文不仅是指南哦。

我们在IDP开源的AI IDE中，增加了LLaMA和Stable Diffusion的示例文件，小伙伴们可以快速开启LLaMA体验之旅。