DeskMini A300(Ryzen5 2400G)が余っていたので、CentOS Stream 9をインストールllama.cppでLLMを動かしてみた記録です。
A300はAPUのVRAMを16Gに指定できるので、ROCmがつかればよかったのですが、どうにもうまく動かせなかったので、とりあえずはCPUでローカルLLMを動かしてみます。
LLMを動かすために、llama.cppをコンパイルします。-j 4はコアに応じてお好みで指定してください。
# git clone https://github.com/ggerganov/llama.cpp # cd llama.cpp # make -j 4
GGUF形式のモデルをダウンロードします。今回は以下を使わせていただきました。
https://huggingface.co/mmnga/ELYZA-japanese-Llama-2-7b-fast-instruct-gguf
# wget https://huggingface.co/mmnga/ELYZA-japanese-Llama-2-7b-instruct-gguf/resolve/main/ELYZA-japanese-Llama-2-7b-instruct-q4_K_M.gguf
-mでモデルを指定して、 -pでプロンプトを渡します。
# ./main -m '/home/root/ELYZA-japanese-Llama-2-7b-instruct-q4_K_M.gguf' -p '[INST] <<SYS>>あなたは誠実で優秀な日本人のアシスタントです。<</SYS>>Pythonでmysqlからselectするサンプルを実装して[/INST]' Log start main: build = 3022 (edc29433) main: built with cc (GCC) 11.4.1 20231218 (Red Hat 11.4.1-3) for x86_64-redhat-linux main: seed = 1716989694 llama_model_loader: loaded meta data with 21 key-value pairs and 291 tensors from /home/root/ELYZA-japanese-Llama-2-7b-instruct-q4_K_M.gguf (version GGUF V2) llama_model_loader: Dumping metadata keys/values. Note: KV overrides do not apply in this output. llama_model_loader: - kv 0: general.architecture str = llama llama_model_loader: - kv 1: general.name str = ELYZA-japanese-Llama-2-7b-instruct llama_model_loader: - kv 2: general.source.hugginface.repository str = elyza/ELYZA-japanese-Llama-2-7b-instruct llama_model_loader: - kv 3: llama.tensor_data_layout str = Meta AI original pth llama_model_loader: - kv 4: llama.context_length u32 = 4096 llama_model_loader: - kv 5: llama.embedding_length u32 = 4096 llama_model_loader: - kv 6: llama.block_count u32 = 32 llama_model_loader: - kv 7: llama.feed_forward_length u32 = 11008 llama_model_loader: - kv 8: llama.rope.dimension_count u32 = 128 llama_model_loader: - kv 9: llama.attention.head_count u32 = 32 llama_model_loader: - kv 10: llama.attention.head_count_kv u32 = 32 llama_model_loader: - kv 11: llama.attention.layer_norm_rms_epsilon f32 = 0.000001 llama_model_loader: - kv 12: tokenizer.ggml.model str = llama llama_model_loader: - kv 13: tokenizer.ggml.tokens arr[str,32000] = ["<unk>", "<s>", "</s>", "<0x00>", "<... llama_model_loader: - kv 14: tokenizer.ggml.scores arr[f32,32000] = [0.000000, 0.000000, 0.000000, 0.0000... llama_model_loader: - kv 15: tokenizer.ggml.token_type arr[i32,32000] = [2, 3, 3, 6, 6, 6, 6, 6, 6, 6, 6, 6, ... llama_model_loader: - kv 16: tokenizer.ggml.bos_token_id u32 = 1 llama_model_loader: - kv 17: tokenizer.ggml.eos_token_id u32 = 2 llama_model_loader: - kv 18: tokenizer.ggml.unknown_token_id u32 = 0 llama_model_loader: - kv 19: general.quantization_version u32 = 2 llama_model_loader: - kv 20: general.file_type u32 = 15 llama_model_loader: - type f32: 65 tensors llama_model_loader: - type q4_K: 193 tensors llama_model_loader: - type q6_K: 33 tensors llm_load_vocab: special tokens definition check successful ( 259/32000 ). llm_load_print_meta: format = GGUF V2 llm_load_print_meta: arch = llama llm_load_print_meta: vocab type = SPM llm_load_print_meta: n_vocab = 32000 llm_load_print_meta: n_merges = 0 llm_load_print_meta: n_ctx_train = 4096 llm_load_print_meta: n_embd = 4096 llm_load_print_meta: n_head = 32 llm_load_print_meta: n_head_kv = 32 llm_load_print_meta: n_layer = 32 llm_load_print_meta: n_rot = 128 llm_load_print_meta: n_embd_head_k = 128 llm_load_print_meta: n_embd_head_v = 128 llm_load_print_meta: n_gqa = 1 llm_load_print_meta: n_embd_k_gqa = 4096 llm_load_print_meta: n_embd_v_gqa = 4096 llm_load_print_meta: f_norm_eps = 0.0e+00 llm_load_print_meta: f_norm_rms_eps = 1.0e-06 llm_load_print_meta: f_clamp_kqv = 0.0e+00 llm_load_print_meta: f_max_alibi_bias = 0.0e+00 llm_load_print_meta: f_logit_scale = 0.0e+00 llm_load_print_meta: n_ff = 11008 llm_load_print_meta: n_expert = 0 llm_load_print_meta: n_expert_used = 0 llm_load_print_meta: causal attn = 1 llm_load_print_meta: pooling type = 0 llm_load_print_meta: rope type = 0 llm_load_print_meta: rope scaling = linear llm_load_print_meta: freq_base_train = 10000.0 llm_load_print_meta: freq_scale_train = 1 llm_load_print_meta: n_yarn_orig_ctx = 4096 llm_load_print_meta: rope_finetuned = unknown llm_load_print_meta: ssm_d_conv = 0 llm_load_print_meta: ssm_d_inner = 0 llm_load_print_meta: ssm_d_state = 0 llm_load_print_meta: ssm_dt_rank = 0 llm_load_print_meta: model type = 7B llm_load_print_meta: model ftype = Q4_K - Medium llm_load_print_meta: model params = 6.74 B llm_load_print_meta: model size = 3.80 GiB (4.84 BPW) llm_load_print_meta: general.name = ELYZA-japanese-Llama-2-7b-instruct llm_load_print_meta: BOS token = 1 '<s>' llm_load_print_meta: EOS token = 2 '</s>' llm_load_print_meta: UNK token = 0 '<unk>' llm_load_print_meta: LF token = 13 '<0x0A>' llm_load_tensors: ggml ctx size = 0.15 MiB llm_load_tensors: CPU buffer size = 3891.24 MiB .................................................................................................. llama_new_context_with_model: n_ctx = 512 llama_new_context_with_model: n_batch = 512 llama_new_context_with_model: n_ubatch = 512 llama_new_context_with_model: flash_attn = 0 llama_new_context_with_model: freq_base = 10000.0 llama_new_context_with_model: freq_scale = 1 llama_kv_cache_init: CPU KV buffer size = 256.00 MiB llama_new_context_with_model: KV self size = 256.00 MiB, K (f16): 128.00 MiB, V (f16): 128.00 MiB llama_new_context_with_model: CPU output buffer size = 0.12 MiB llama_new_context_with_model: CPU compute buffer size = 70.50 MiB llama_new_context_with_model: graph nodes = 1030 llama_new_context_with_model: graph splits = 1 system_info: n_threads = 4 / 8 | AVX = 1 | AVX_VNNI = 0 | AVX2 = 1 | AVX512 = 0 | AVX512_VBMI = 0 | AVX512_VNNI = 0 | AVX512_BF16 = 0 | FMA = 1 | NEON = 0 | SVE = 0 | ARM_FMA = 0 | F16C = 1 | FP16_VA = 0 | WASM_SIMD = 0 | BLAS = 0 | SSE3 = 1 | SSSE3 = 1 | VSX = 0 | MATMUL_INT8 = 0 | LLAMAFILE = 1 | sampling: repeat_last_n = 64, repeat_penalty = 1.000, frequency_penalty = 0.000, presence_penalty = 0.000 top_k = 40, tfs_z = 1.000, top_p = 0.950, min_p = 0.050, typical_p = 1.000, temp = 0.800 mirostat = 0, mirostat_lr = 0.100, mirostat_ent = 5.000 sampling order: CFG -> Penalties -> top_k -> tfs_z -> typical_p -> top_p -> min_p -> temperature generate: n_ctx = 512, n_batch = 2048, n_predict = -1, n_keep = 1 [INST] <<SYS>>あなたは誠実で優秀な日本人のアシスタントです。<</SYS>>Pythonでmysqlからselectするサンプルを実装して[/INST] ``` # MySQLdb をimport from mysql.connector import connect # 接続先のhost,user,password,db名を指定 host = 'localhost' user = 'root' password = 'your_password_here' db_name = 'your_db_name_here' # 接続を確立 conn = connect(host=host, user=user, passwd=password, dbname=db_name) # SQLを実行 cur = conn.cursor() cur.execute("SELECT * FROM your_table_name") # 結果を取得 results = cur.fetchall() # 結果をprint for row in results: print(row) ``` [end of text] llama_print_timings: load time = 567.82 ms llama_print_timings: sample time = 11.22 ms / 181 runs ( 0.06 ms per token, 16127.60 tokens per second) llama_print_timings: prompt eval time = 5741.58 ms / 61 tokens ( 94.12 ms per token, 10.62 tokens per second) llama_print_timings: eval time = 25670.07 ms / 180 runs ( 142.61 ms per token, 7.01 tokens per second) llama_print_timings: total time = 31485.32 ms / 241 tokens Log end
出力結果のコードは以下なので、割とそれっぽいです。
# MySQLdb をimport from mysql.connector import connect # 接続先のhost,user,password,db名を指定 host = 'localhost' user = 'root' password = 'your_password_here' db_name = 'your_db_name_here' # 接続を確立 conn = connect(host=host, user=user, passwd=password, dbname=db_name) # SQLを実行 cur = conn.cursor() cur.execute("SELECT * FROM your_table_name") # 結果を取得 results = cur.fetchall() # 結果をprint for row in results: print(row)
また、スピードも7.01 tokens per secondだったので、そこそこのスピードがある感じでした。メモリもCPU buffer size = 3891.24 MiBなので約4GB程度で済みました。
7Bのモデルで4GB程度で済むならもう少し大きい13Bのモデルも試してみます。
# wget https://huggingface.co/mmnga/ELYZA-japanese-Llama-2-13b-fast-instruct-gguf/resolve/main/ELYZA-japanese-Llama-2-13b-fast-instruct-q4_K_M.gguf?download=true # ./main -m '/home/root/ELYZA-japanese-Llama-2-13b-fast-instruct-q4_K_M.gguf' -p '[INST] <<SYS>>あなたは誠実で優秀な日本人のアシスタントです。<</SYS>>Pythonでmysqlからselectするサンプルを実装して[/INST]' Log start main: build = 3022 (edc29433) main: built with cc (GCC) 11.4.1 20231218 (Red Hat 11.4.1-3) for x86_64-redhat-linux main: seed = 1716991570 llama_model_loader: loaded meta data with 22 key-value pairs and 363 tensors from /home/root/ELYZA-japanese-Llama-2-13b-fast-instruct-q4_K_M.gguf (version GGUF V3 (latest)) llama_model_loader: Dumping metadata keys/values. Note: KV overrides do not apply in this output. llama_model_loader: - kv 0: general.architecture str = llama llama_model_loader: - kv 1: general.name str = LLaMA v2 llama_model_loader: - kv 2: llama.context_length u32 = 4096 llama_model_loader: - kv 3: llama.embedding_length u32 = 5120 llama_model_loader: - kv 4: llama.block_count u32 = 40 llama_model_loader: - kv 5: llama.feed_forward_length u32 = 13824 llama_model_loader: - kv 6: llama.rope.dimension_count u32 = 128 llama_model_loader: - kv 7: llama.attention.head_count u32 = 40 llama_model_loader: - kv 8: llama.attention.head_count_kv u32 = 40 llama_model_loader: - kv 9: llama.attention.layer_norm_rms_epsilon f32 = 0.000010 llama_model_loader: - kv 10: llama.rope.freq_base f32 = 10000.000000 llama_model_loader: - kv 11: general.file_type u32 = 15 llama_model_loader: - kv 12: tokenizer.ggml.model str = llama llama_model_loader: - kv 13: tokenizer.ggml.tokens arr[str,44581] = ["<unk>", "<s>", "</s>", "<0x00>", "<... llama_model_loader: - kv 14: tokenizer.ggml.scores arr[f32,44581] = [0.000000, 0.000000, 0.000000, 0.0000... llama_model_loader: - kv 15: tokenizer.ggml.token_type arr[i32,44581] = [2, 3, 3, 6, 6, 6, 6, 6, 6, 6, 6, 6, ... llama_model_loader: - kv 16: tokenizer.ggml.merges arr[str,73695] = ["て い", "し た", "ま す", "祟.. llama_model_loader: - kv 17: tokenizer.ggml.bos_token_id u32 = 1 llama_model_loader: - kv 18: tokenizer.ggml.eos_token_id u32 = 2 llama_model_loader: - kv 19: tokenizer.ggml.unknown_token_id u32 = 0 llama_model_loader: - kv 20: tokenizer.ggml.padding_token_id u32 = 2 llama_model_loader: - kv 21: general.quantization_version u32 = 2 llama_model_loader: - type f32: 81 tensors llama_model_loader: - type q4_K: 241 tensors llama_model_loader: - type q6_K: 41 tensors llm_load_vocab: special tokens definition check successful ( 259/44581 ). llm_load_print_meta: format = GGUF V3 (latest) llm_load_print_meta: arch = llama llm_load_print_meta: vocab type = SPM llm_load_print_meta: n_vocab = 44581 llm_load_print_meta: n_merges = 0 llm_load_print_meta: n_ctx_train = 4096 llm_load_print_meta: n_embd = 5120 llm_load_print_meta: n_head = 40 llm_load_print_meta: n_head_kv = 40 llm_load_print_meta: n_layer = 40 llm_load_print_meta: n_rot = 128 llm_load_print_meta: n_embd_head_k = 128 llm_load_print_meta: n_embd_head_v = 128 llm_load_print_meta: n_gqa = 1 llm_load_print_meta: n_embd_k_gqa = 5120 llm_load_print_meta: n_embd_v_gqa = 5120 llm_load_print_meta: f_norm_eps = 0.0e+00 llm_load_print_meta: f_norm_rms_eps = 1.0e-05 llm_load_print_meta: f_clamp_kqv = 0.0e+00 llm_load_print_meta: f_max_alibi_bias = 0.0e+00 llm_load_print_meta: f_logit_scale = 0.0e+00 llm_load_print_meta: n_ff = 13824 llm_load_print_meta: n_expert = 0 llm_load_print_meta: n_expert_used = 0 llm_load_print_meta: causal attn = 1 llm_load_print_meta: pooling type = 0 llm_load_print_meta: rope type = 0 llm_load_print_meta: rope scaling = linear llm_load_print_meta: freq_base_train = 10000.0 llm_load_print_meta: freq_scale_train = 1 llm_load_print_meta: n_yarn_orig_ctx = 4096 llm_load_print_meta: rope_finetuned = unknown llm_load_print_meta: ssm_d_conv = 0 llm_load_print_meta: ssm_d_inner = 0 llm_load_print_meta: ssm_d_state = 0 llm_load_print_meta: ssm_dt_rank = 0 llm_load_print_meta: model type = 13B llm_load_print_meta: model ftype = Q4_K - Medium llm_load_print_meta: model params = 13.14 B llm_load_print_meta: model size = 7.41 GiB (4.84 BPW) llm_load_print_meta: general.name = LLaMA v2 llm_load_print_meta: BOS token = 1 '<s>' llm_load_print_meta: EOS token = 2 '</s>' llm_load_print_meta: UNK token = 0 '<unk>' llm_load_print_meta: PAD token = 2 '</s>' llm_load_print_meta: LF token = 13 '<0x0A>' llm_load_tensors: ggml ctx size = 0.18 MiB llm_load_tensors: CPU buffer size = 7585.80 MiB ................................................................................................... llama_new_context_with_model: n_ctx = 512 llama_new_context_with_model: n_batch = 512 llama_new_context_with_model: n_ubatch = 512 llama_new_context_with_model: flash_attn = 0 llama_new_context_with_model: freq_base = 10000.0 llama_new_context_with_model: freq_scale = 1 llama_kv_cache_init: CPU KV buffer size = 400.00 MiB llama_new_context_with_model: KV self size = 400.00 MiB, K (f16): 200.00 MiB, V (f16): 200.00 MiB llama_new_context_with_model: CPU output buffer size = 0.17 MiB llama_new_context_with_model: CPU compute buffer size = 97.07 MiB llama_new_context_with_model: graph nodes = 1286 llama_new_context_with_model: graph splits = 1 system_info: n_threads = 4 / 8 | AVX = 1 | AVX_VNNI = 0 | AVX2 = 1 | AVX512 = 0 | AVX512_VBMI = 0 | AVX512_VNNI = 0 | AVX512_BF16 = 0 | FMA = 1 | NEON = 0 | SVE = 0 | ARM_FMA = 0 | F16C = 1 | FP16_VA = 0 | WASM_SIMD = 0 | BLAS = 0 | SSE3 = 1 | SSSE3 = 1 | VSX = 0 | MATMUL_INT8 = 0 | LLAMAFILE = 1 | sampling: repeat_last_n = 64, repeat_penalty = 1.000, frequency_penalty = 0.000, presence_penalty = 0.000 top_k = 40, tfs_z = 1.000, top_p = 0.950, min_p = 0.050, typical_p = 1.000, temp = 0.800 mirostat = 0, mirostat_lr = 0.100, mirostat_ent = 5.000 sampling order: CFG -> Penalties -> top_k -> tfs_z -> typical_p -> top_p -> min_p -> temperature generate: n_ctx = 512, n_batch = 2048, n_predict = -1, n_keep = 1 [INST] <<SYS>>あなたは誠実で優秀な日本人のアシスタントです。<</SYS>>Pythonでmysqlからselectするサンプルを実装して[/INST] Python でMySQLからデータを取得するサンプルコードを作成します。 ``` import mysql.connector # データベース接続 cnx = mysql.connector.connect( host='<サーバー名>', user='<ユーザー名>', password='<パスワード>', database='<データベース名>' ) # SQL文を設定 sql = "SELECT * FROM items" # 結果をデータフレームとして取得 df = mysql.connector.cursor(cnx) df.execute(sql) results = df.fetchall() # 結果の表示 for row in results: print(row) # データベースの接続を切断 cnx.close() ``` 上記のコードでは、PythonのMySQL Driverを用いてデータベースに接続し、SELECT文でデータを取得して結果をデータフレームとして取得、表 示しています。 [end of text] llama_print_timings: load time = 1067.76 ms llama_print_timings: sample time = 13.68 ms / 197 runs ( 0.07 ms per token, 14404.80 tokens per second) llama_print_timings: prompt eval time = 6825.69 ms / 37 tokens ( 184.48 ms per token, 5.42 tokens per second) llama_print_timings: eval time = 50811.35 ms / 196 runs ( 259.24 ms per token, 3.86 tokens per second) llama_print_timings: total time = 57740.04 ms / 233 tokens Log end
メモリの使用量は倍になって、スピードは半分になった感じですね。その代わり出力の感じは7Bより自然に感じました。
次にCodellamaの7Bを試してみます。
# wget https://huggingface.co/mmnga/ELYZA-japanese-CodeLlama-7b-instruct-gguf/resolve/main/ELYZA-japanese-CodeLlama-7b-instruct-q4_K_M.gguf # ./main -m '/home/root/ELYZA-japanese-CodeLlama-7b-instruct-q4_K_M.gguf' -p '[INST] <<SYS>>あなたは誠実で優秀な日本人のアシスタントです。<</SYS>>Pythonでmysqlからselectするサンプルを実装して[/INST]' ~~~~~~~~~~~~~中略~~~~~~~~~~~~~ [INST] <<SYS>>あなたは誠実で優秀な日本人のアシスタントです。<</SYS>>Pythonでmysqlからselectするサンプルを実装して[/INST] MySQL からデータを取得するサンプルを実装します。 以下は、`sample.py`というファイルを作成して実装するサンプルです。 ```python import pymysql def select(): db = pymysql.connect("localhost", "root", "password", "mydatabase") cursor = db.cursor() cursor.execute("SELECT * FROM mytable") results = cursor.fetchall() print(results) cursor.close() db.close() if __name__ == '__main__': select() ``` このサンプルでは、`pymysql`を使用してMySQLデータベースに接続し、`mytable`テーブルからすべてのデータを取得します。`fetchall()`メソッドを使用して、データをすべて取得します。 [end of text] llama_print_timings: load time = 563.36 ms llama_print_timings: sample time = 15.64 ms / 253 runs ( 0.06 ms per token, 16171.30 tokens per second) llama_print_timings: prompt eval time = 5658.46 ms / 61 tokens ( 92.76 ms per token, 10.78 tokens per second) llama_print_timings: eval time = 35243.45 ms / 252 runs ( 139.85 ms per token, 7.15 tokens per second) llama_print_timings: total time = 41003.83 ms / 313 tokens Log end
コード特化だけあるような出力な気がします。
昔にCerebras-GPTを使った記事がありますが、その時で13Bは30GBが必要だった見たいなので、量子化で4分の一程度に必要リソースが減ってますね。64GB程度メモリ積んだら70Bぐらいのモデルが動きそうな雰囲気があります。