在人工智能的浪潮中，Ollama 的出现无疑为 Windows 用户带来了一场革命。这款工具平台以其开创性的功能，简化了 AI 模型的开发与应用，让每一位爱好者都能轻松驾驭 AI 的强大力量。大家好，我是AI大眼萌，今天我们将带大家了解这款工具平台。
🤖 什么是 Ollama？
Ollama 不仅仅是一个 AI 和 ML (Machine Learning)工具平台，它是技术社区中的一股清流，以其直观高效的工具，让 AI 模型的开发变得触手可及。无论是资深专家还是新手，都能在 Ollama 上找到自己的舞台。
🌟Ollama优势
在 AI 工具的海洋中，Ollama 以其独特优势脱颖而出：
- 🔧 自动硬件加速：智能识别并利用最优硬件资源，简化配置，提升效率。
- 🚫 无需虚拟化：告别复杂环境配置，直接投身于 AI 项目的开发。
- 📚 接入丰富模型库：从 Lamma3到 qwen2，Ollama 的模型库应有尽有。
- 🔗 Ollama 的常驻 API：简化 AI 功能与项目对接，提升工作效率。
🛠️ Ollama Windows使用指南
下面是如何在 Windows 上使用 Ollama 的详细指南：
步骤 1：下载与安装
-
访问 Ollama Windows Preview页面，下载安装程序。
-
双击运行，一键安装。
步骤 2：启动与模型获取
-
启动 Ollama
Usage: ollama [flags] ollama [command] Available Commands: serve Start ollama create Create a model from a Modelfile show Show information for a model run Run a model pull Pull a model from a registry push Push a model to a registry list List models ps List running models cp Copy a model rm Remove a model help Help about any command 启动ollama服务： ollama serve -
使用命令行加载模型，开始你的 AI 之旅。
ollama run [modelname] ollama run gemma:2b
执行以上命令后，Ollama 将开始初始化，并自动从 Ollama 模型库中拉取并加载所选模型。一旦准备就绪，就可以向它发送指令，它会利用所选模型来进行理解和回应。
- 记得将
modelname名称换成要运行的模型名称，常用的有：
| Model | Parameters | Size | Download |
|---|---|---|---|
| Qwen2 7B | 7B | 4.5G | ollama run qwen:7b |
| Qwen2 72B | 72B | 41G | ollama run qwen:72b |
| Llama 3 | 8B | 4.7GB | ollama run llama3 |
| Llama 3 | 70B | 40GB | ollama run llama3:70b |
| Phi 3 Mini | 3.8B | 2.3GB | ollama run phi3 |
| Phi 3 Medium | 14B | 7.9GB | ollama run phi3:medium |
| Gemma | 2B | 1.4GB | ollama run gemma:2b |
| Gemma | 7B | 4.8GB | ollama run gemma:7b |
| Mistral | 7B | 4.1GB | ollama run mistral |
| Moondream 2 | 1.4B | 829MB | ollama run moondream |
| Neural Chat | 7B | 4.1GB | ollama run neural-chat |
| Starling | 7B | 4.1GB | ollama run starling-lm |
| Code Llama | 7B | 3.8GB | ollama run codellama |
| Llama 2 Uncensored | 7B | 3.8GB | ollama run llama2-uncensored |
| LLaVA | 7B | 4.5GB | ollama run llava |
| Solar | 10.7B | 6.1GB | ollama run solar |
模型存储在哪里？如需更换地点，可以参考环境配置章节
- macOS: ~/.ollama/models
- Linux: /usr/share/ollama/.ollama/models
- Windows: C:\Users\%username%\.ollama\models
步骤 3：模型应用
步骤 4：API 连接
将 AI 功能整合到你的应用中，Ollama API 是关键。
默认端口为11434
Ollama Linux 使用指南
步骤 1：下载与安装
curl -fsSL https://ollama.com/install.sh | sh
步骤 2：启动与模型获取
ollama serve
ollama run [modelname]
步骤 3与4： 与之前一致。
Ollama 环境变量设置
在Linux上设置环境变量
如果Ollama作为systemd服务运行，通过systemctl设置环境变量：
-
使用systemctl edit ollama.service命令编辑systemd服务，将打开一个编辑器。
-
对每个环境变量，在[Service]部分添加一行Environment：
-
[Service]
Environment="OLLAMA_HOST=:8000"#要更改侦听地址和端口，可以环境变量： -
保存并退出。
-
重新加载systemd并重启Ollama：
systemctl daemon-reload
systemctl restart ollama
在Windows上设置环境变量
在Windows上，Ollama会继承您的用户和系统环境变量。
1. 首先通过任务栏图标退出Ollama，
2. 从控制面板编辑系统环境变量，
3. 为OLLAMA_HOST、OLLAMA_MODELS等编辑或新建变量。
a、要更改侦听地址和端口，可以添加以下环境变量：
变量名：OLLAMA_HOST
变量值（端口）：:8000
b、要更为debug模式，可以添加以下环境变量：
变量名：OLLAMA_DEBUG
变量值（端口）：1
c、模型存储位置要更为指定路径
变量名：OLLAMA_MODELS
变量值（端口）：指定的路径
4. 点击OK/Apply保存，
使用代理服务器访问Ollama？
Ollama运行一个HTTP服务器，可以通过代理服务器，比如Nginx，进行公开。具体操作方法是配置代理转发请求，并可选设置所需的头部（如果不在网络上公开Ollama）。例如，使用Nginx配置如下：
server {
listen 80;
server_name 192.168.70.1;
location / {
proxy_pass http://localhost:11434;
proxy_set_header Host localhost:11434;
}
}
使用python调用ollama
1、安装依赖库
pip install ollama langchain_community langchain
2、测试代码
import ollama
response =ollama.chat(model='qwen2:7b',messages=[
{
'role':'user',
'content':'中国的首都在哪里'
},
])
print(response['message']['content'])
3、简单的人机交互界面
import ollama
def get_completion(prompt):
response =ollama.chat(model='qwen2:7b',messages=[
{
'role':'user',
'content':prompt
},
])
return response['message']['content'].strip()
while True:
user_input = input("你: ")
if user_input.lower() == '退出':
print("聊天结束。")
break
print("\n机器人: 正在处理你的请求...")
response = get_completion(user_input)
print("机器人:", response)
结语
通过本教程，我们学习了 Ollama的简单安装与使用，让我们一起探索、实践、创新！
如果您发现这篇文章对您有所启发或帮助， 请不吝赐赞，为我【点赞】、【转发】、【关注】，带你一起玩转AI ！
全网ID｜AI大眼萌
