目录
前言
一、llama.cpp 目录结构
二、llama.cpp 之 server 学习
1. 介绍
2. 编译部署
3. 启动服务
4、扩展或构建其他的 Web 前端
5、其他
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>
5、其他
更多功能和参数，详见llama.cpp/examples/server/README.md。
