大模型应用研发基础环境配置（Miniconda、Python、Jupyter Lab、Ollama等）

老牛同学之前使用的MacBook Pro电脑配置有点旧（2015 年生产），跑大模型感觉有点吃力，操作起来有点卡顿，因此不得已捡起了尘封了快两年的MateBook Pro电脑（老牛同学其实不太喜欢用 Windows 电脑做研发工作）。此文注意是记录配置新电脑的内容，一来给老牛同学留个备忘，同时也特别希望能给其他朋友一些帮助。

配置一台方便用于大模型应用研发的新电脑，最基础的需要包括以下配置内容：

  1. Miniconda包管理工具的安装和配置（兼容pip）
  2. Python虚拟环境配置（指定 Python 版本且无需单独下载 Python 安装）
  3. Jupyter Lab Python 研发 WebIDE 配置
  4. Ollama本地大模型管理软件的配置和应用
  5. Ollama大模型 Web 界面对话客户端配置和使用

Miniconda 安装和配置

Miniconda和pip都是 Python 生态中的两个不同的包管理工具，它们都用于安装和管理 Python 包。但是在大模型相关的应用研发中，老牛同学推荐使用Miniconda的原因：

  1. 包范围： Miniconda 通过 Conda 可以管理 Python 以及非 Python 包，而 pip 只管理 Python 包。
  2. 环境管理： Miniconda 内置了环境管理功能，而 pip 需要与其他工具（如 virtualenv 或 venv）搭配使用以创建隔离的环境。
  3. 包源： pip 通常从 PyPI 下载包，而 Conda 从 Anaconda Repository 或其他自定义设置的通道下载。
  4. 包格式： Conda 使用自己的包格式(.conda 或.tar.bz2)，而 pip 使用 wheel 或源码形式。
  5. 依赖解决： Conda 在安装包时会考虑到系统级别的依赖和包之间的依赖关系，而 pip 主要解决 Python 级别的依赖。

在实际使用中，由于Minionda可以很好地处理复杂的依赖关系和环境管理，它通常是首选工具。但是，如果只需要安装纯 Python 包，使用pip可能会更加简单直接。

第一步： 下载地址：https://docs.anaconda.com/miniconda/

根据操作系统，选择安装包，支持包括：Windows、MacOS 和 Linux 系统

第二步： 安装和配置：安装过程和普通软件没有两样，安装完成之后，我们配置 Python 环境：

老牛同学的安装目录是：D:\Software\miniconda3

因后面需要执行conda命令，因此提前把以下目录添加到系统环境变量中（变量名：Path）：

  1. 安装目录：D:\Software\miniconda3
  2. 脚本目录：D:\Software\miniconda3\Scripts
  3. 依赖库目录：D:\Software\miniconda3\Library\bin

第三步： 设置 Conda 虚拟环境目录（可选）：默认情况下，虚拟环境内容在C:\盘，老牛同学 C 盘比较较小，就把它设置到D:\盘

打开 Termianl 终端，查看Conda基本信息：conda info

> conda info

     active environment : None
       user config file : C:\Users\obull\.condarc
 populated config files :
          conda version : 24.4.0
    conda-build version : not installed
         python version : 3.12.3.final.0
                 solver : libmamba (default)
       virtual packages : __archspec=1=x86_64_v3
                          __conda=24.4.0=0
                          __win=0=0
       base environment : D:\Software\miniconda3  (writable)
      conda av data dir : D:\Software\miniconda3\etc\conda
  conda av metadata url : None
           channel URLs : https://repo.anaconda.com/pkgs/main/win-64
                          https://repo.anaconda.com/pkgs/main/noarch
                          https://repo.anaconda.com/pkgs/r/win-64
                          https://repo.anaconda.com/pkgs/r/noarch
                          https://repo.anaconda.com/pkgs/msys2/win-64
                          https://repo.anaconda.com/pkgs/msys2/noarch
          package cache : D:\Software\miniconda3\pkgs
                          C:\Users\obull\.conda\pkgs
                          C:\Users\obull\AppData\Local\conda\conda\pkgs
       envs directories : D:\Software\miniconda3\envs
                          C:\Users\obull\.conda\envs
                          C:\Users\obull\AppData\Local\conda\conda\envs
               platform : win-64
             user-agent : conda/24.4.0 requests/2.31.0 CPython/3.12.3 Windows/11 Windows/10.0.22621 solver/libmamba conda-libmamba-solver/24.1.0 libmambapy/1.5.8 aau/0.4.4 c/. s/. e/.
          administrator : False
             netrc file : None
           offline mode : False

可以看到几个重要信息：

  1. Conda配置文件：C:\Users\obull\.condarc
  2. Conda包下载渠道：channel URLs列表几个地址
  3. Conda包缓存目录：D:\Software\miniconda3\pkgs
  4. Conda虚拟环境目录：D:\Software\miniconda3\envs

以上配置都是默认配置，其中包环境和虚拟环境目录比较占磁盘空间，可以设置为其他目录，同时下载渠道可以使用国内镜像以提升包的下载速度：

  1. 打开配置文件：C:\Users\obull\.condarc
  2. 若.condarc配置文件不存在，可以执行命令自动生成一个默认文件：conda config --set show_channel_urls yes
  3. 打开.condarc配置，设置虚拟环境目录和：
envs_dirs:
  - D:/Software/miniconda3/pkgs
pkgs_dirs:
  - D:/Software/miniconda3/envs
show_channel_urls: true
channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  - defaults
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

保存配置文件之后，我们可以看到Conda信息的变化：conda info

Conda命令还有一些其他用法，比较常用的命令如下列表：

  1. 查看Conda版本：conda --version
  2. 更新Conda版本：conda update conda
  3. 安装 Python 包（如安装numpy包）：conda install numpy 通过首选渠道下载包文件
  4. 指定渠道安装 Python 包：conda install conda-forge::numpy 通过conda-forge渠道下载包文件
  5. 安装 Python 包到指定的虚拟环境：conda install --name PY2.7 matplotlib 安装matplotlib包到指定的PY2.7虚拟环境

Python 虚拟环境配置

特别注意： 有了Miniconda包管理工具，我们无需单独下载和安装 Python，可直接通过 Conda 安装对应的版本即可。

老牛同学创建一个名称为PY3.12的虚拟环境，使用 Python 版本为3.12.3：conda create --name PY3.12 python=3.12.3

新建虚拟环境需要初始化基础包（包括 Python SDK 等），基础包下载完成之后，可以通过命令查看虚拟环境列表：conda info --envs

> conda info --envs
base                     D:\Software\miniconda3
PY3.12                   D:\Software\miniconda3\pkgs\PY3.12

其中，base是Conda默认的虚拟环境，我们刚创建的PY3.12虚拟环境已经存在了！

Python 虚拟环境使用

默认虚拟环境是base，我们可以激活和取消虚拟环境。若是首次使用，则需要执行conda init命令进行初始化：

  1. 激活虚拟环境：conda activate PY3.12
  2. 取消虚拟环境：conda deactivate（无需指定环境名）
C:\Users\obull>
C:\Users\obull>conda activate PY3.12

(D:\Software\miniconda3\pkgs\PY3.12) C:\Users\obull>
(D:\Software\miniconda3\pkgs\PY3.12) C:\Users\obull>conda deactivate

C:\Users\obull>

Jupyter Lab 安装和配置（可选）

在 Python 研发 IDE 选择上，老牛同学推荐推荐使用Jupyter Lab，当然如果有PyCharm等 Python 开发工具，也是一个不错的选择：

  1. Jupyter Lab 主要是为了数据科学、科学计算和教育而设计的。它支持交互式计算和数据可视化，非常适合探索性数据分析、机器学习、数值模拟等。
  2. Jupyter Lab 提供了一个基于 Web 的用户界面，支持在浏览器中直接编写代码、运行分析，并查看结果。
  3. Jupyter Lab 强调的是交互式编程和数据可视化。它允许用户逐段运行代码并即时查看输出，支持 Markdown 和富媒体，非常适合制作和展示研究结果。
  4. Jupyter Lab 作为一个轻量级的 Web 应用，其启动速度快，但在处理大型数据集时，性能可能会受到浏览器和硬件资源的限制。
  5. Jupyter Lab 特别适合做数据分析、数据科学教育、探索性研究和创建可分享的交互式报告。

Jupyter Lab IDE 可以通过Conda安装，其安装命令如下：

# 激活Python虚拟环境
conda activate PY3.12

# 安装Jupyter Lab（指定下载源）
conda install -c conda-forge jupyterlab
conda install -c conda-forge ipywidgets

Jupyter Lab IDE 成功安装之后，可以通过以下命令打开：

# 激活Python虚拟环境
conda activate PY3.12

# 切换到Jupyter目录（我们以后代码存放的目录）
cd ~/JupyterLab

# 启动Jupyter WebIDE
jupyter-lab .

浏览器自动打开了 Web IDE，或者自己打开：http://localhost:8888/lab

Jupyter Lab界面

Ollama 安装和使用

使用Ollama可以非常方便的管理本地大模型，目前主流大模型都支持Ollama，包括Phi、Qwen、Llama等，因此使用Ollama可以提升我们管理和使用大模型效率：

  1. 下载并安装Ollama：Ollama 官网（支持：Windows、Mac 和 Linux 系统）
  2. 设置模型数据文件路径（可选）：默认情况下，模型文件存放在C:盘用户目录。我们可以通过系统环境变量设置成其他目录。系统环境变量名为：OLLAMA_MODELS，系统环境变量的值为新的目录（如老牛同学设置为：D:\ModelSpace\Ollama）
  3. 下载并启动大模型，老牛同学以阿里的Qwen2-7B为例：ollama run qwen:7B

模型文件下载完成之后，自动就有了对话客户端：

D:\>conda activate PY3.12

(D:\Software\miniconda3\pkgs\PY3.12) D:\>ollama list
NAME    ID              SIZE    MODIFIED
qwen:7b 2091ee8c8d8f    4.5 GB  3 hours ago

(D:\Software\miniconda3\pkgs\PY3.12) D:\>ollama run qwen:7b

Ollama对话客户端

Ollama Web 界面对话客户端

Ollama自带控制台聊天对话界面体验总归是不太好，接下来部署 Web 可视化聊天界面：

  1. 下载并安装 Node.js 工具：https://nodejs.org/zh-cn
  2. 下载ollama-webui工程代码：git clone https://github.com/ollama-webui/ollama-webui-lite ollama-webui
  3. 切换ollama-webui代码的目录：cd ollama-webui
  4. 设置 Node.js 工具包镜像源（下载提速）：npm config set registry http://mirrors.cloud.tencent.com/npm/
  5. 安装 Node.js 依赖的工具包：npm install
  6. 最后，启动 Web 可视化界面：npm run dev
    Ollam WebUI对话

如果看到以上输出，代表 Web 可视化界面已经成功了！

浏览器打开 Web 可视化界面：http://localhost:3000/

Ollama其他的命令工具：

# 查看当前Ollama的模型
ollama list

# 增量更新当前部署的模型
ollama pull qwen:7b

# 删除一个模型文件
ollama rm qwen:7b

# 复制一个模型
ollama cp qwen:7b Qwen-7B

OllamaAPI 结果返回

curl http://localhost:11434/api/generate -d '{
  "model": "qwen:7b",
  "prompt":"为什么天空是蓝色的？"
}'

Ollama API聊天对话

curl http://localhost:11434/api/chat -d '{
  "model": "qwen:7b",
  "messages": [
    { "role": "user", "content": "为什么天空是蓝色的？" }
  ]
}'

关注本公众号，我们共同学习进步 👇🏻👇🏻👇🏻

微信公众号：老牛同学

Phi-3 开源大模型

Phi-3 模型手机部署教程（微软发布的可与 GPT-3.5 媲美的小模型）

Qwen2-7B 开源大模型

Qwen2 阿里最强开源大模型（Qwen2-7B）本地部署、API 调用和 WebUI 对话机器人

Llama-3-8B 开源大模型

玩转 AI，笔记本电脑安装属于自己的 Llama 3 8B 大模型和对话客户端

一文彻底整明白，基于 Ollama 工具的 LLM 大语言模型 Web 可视化对话机器人部署指南

基于 Llama 3 搭建中文版（Llama3-Chinese-Chat）大模型对话聊天机器人

GLM-4-9B 开源大模型

本地部署 GLM-4-9B 清华智谱开源大模型方法和对话效果体验

ChatTTS 文本转语音模型

ChatTTS 开源文本转语音模型本地部署、API 使用和搭建 WebUI 界面

Stable Diffusion 3 文生图模型

Stable Diffusion 3 文生图“开源英雄”大模型本地部署和使用教程，轻松实现 AI 绘图自由

大模型应用案例

借助 AI 大模型，三分钟原创一部儿童故事短视频（附完整操作步骤）

高效编写大模型 Prompt 提示词，解锁 AI 无限创意潜能

Python 小游戏

AI 已来，我与 AI 一起用 Python 编写了一个消消乐小游戏

Python 游戏编程：一步步用 Python 打造经典贪吃蛇小游戏

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/744221.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

解码数智升级良方：中国一拖、中原传媒、神火股份等企业数字化实践分析

解码数智升级良方：中国一拖、中原传媒、神火股份等企业数字化实践分析

大模型、AI等技术的成熟以及政策法规的细化，数据资源的权属论证、合规确权、资产论证等环节逐渐走向实用性、价值化。 而伴随着“业财税数融”综合性数字化成为企业数字化转型的主流选择，财务部门的纽带属性被放大，财务数据的融合能力成为企业…
阅读更多...
ABC234G Divide a Sequence 题解

ABC234G Divide a Sequence 题解

题目来源 ABC234G 洛谷 Description 给定长度为 n n n 的序列 { a n } \{a_n\} {an​}。定义一种将 { a n } \{a_n\} {an​} 划分为若干段的方案的价值为每段的最大值减去最小值的差的乘积。求所有划分方案的价值的总和并对 998244353 998244353 998244353 取模。 1 ≤…
阅读更多...
Vue3 使用 Vue Router 时，params 传参失效

Vue3 使用 Vue Router 时，params 传参失效

前言： 在写项目的时候，使用了 vue-router 的 params 进行传参，但是在详情页面中一直获取不到参数。原因：Vue Router 在2022-8-22的那次更新后，使用这种方式在新页面上无法获取！ 正文： 在列表页进…
阅读更多...
从零开始做题:老照片中的密码

从零开始做题:老照片中的密码

老照片中的密码 1.题目 1.1 给出图片如下 1.2 给出如下提示 这张老照片中的人使用的是莫尔斯电报机，莫尔斯电报机分为莫尔斯人工电报机和莫尔斯自动电报机（简称莫尔斯快机）。莫尔斯人工电报机是一种最简单的电报机，由三个部分组…
阅读更多...
【笔记】从零开始做一个精灵龙女-拆uv阶段

【笔记】从零开始做一个精灵龙女-拆uv阶段

目录 先回顾一下拆uv的基础流程吧 肩部盔甲分UV示例 手环UV部分 腰带UV部分 其它也差不多，需要删掉一半的就先提前删掉一半，然后把不需要的被遮挡的面也删掉 龙角UV 胸甲UV 侧边碎发UV 马尾UV 脸部/耳朵UV 特殊情况：如果要删一半再…
阅读更多...
kafka的命令行操作

kafka的命令行操作

kafka-topics.bat 该命令行和主题相关 kafka启动后，默认端口为9092,可修改 找到kafka_2.13-3.6.2\bin\windows目录下的kafka-topics.bat，用cmd执行 按下会有提示，REQURIED代表为必输项 创建topic 创建一个名为test的topic队列 kafka-t…
阅读更多...
绘制图形

绘制图形

自学python如何成为大佬(目录):https://blog.csdn.net/weixin_67859959/article/details/139049996?spm1001.2014.3001.5501 在前3节的实例中，我们一直绘制的都是直线，实际上，海龟绘图还可以绘制其他形状的图形，如圆形、多边形等…
阅读更多...
FineReport聚合报表与操作

FineReport聚合报表与操作

一、报表类型 模板设计是 FineReport 学习过程中的主要难题所在，FineReport 模板设计主要包括普通报表、聚合报表、决策报表三种设计类型。 报表类型简介- FineReport帮助文档 - 全面的报表使用教程和学习资料 二、聚合报表 2-1 介绍 聚合报表指一个报表中包含多个…
阅读更多...
STM32的SPI通信

STM32的SPI通信

1 SPI协议简介 SPI（Serial Peripheral Interface）协议是由摩托罗拉公司提出的通信协议，即串行外围设备接口，是一种高速全双工的通信总线。它被广泛地使用在ADC、LCD等设备与MCU间，使用于对通信速率要求较高的场合。 …
阅读更多...
扩散模型 GLIDE：35 亿参数的情况下优于 120 亿参数的 DALL-E 模型

扩散模型 GLIDE：35 亿参数的情况下优于 120 亿参数的 DALL-E 模型

节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学。 针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。 合集&#x…
阅读更多...
LeetCode 算法：二叉树的层序遍历 c++

LeetCode 算法：二叉树的层序遍历 c++

原题链接🔗：二叉树的层序遍历 难度：中等⭐️⭐️ 题目 给你二叉树的根节点 root ，返回其节点值的 层序遍历 。 （即逐层地，从左到右访问所有节点）。 示例 1： 输入：roo…
阅读更多...
TensorFlow开源项目

TensorFlow开源项目

欢迎来到 Papicatch的博客 文章目录 🍉TensorFlow介绍 🍉主要特点和功能 🍈多语言支持 🍈灵活的架构 🍈分布式训练 🍈跨平台部署 🍈强大的工具链 🍈丰富的社区和生态系统 &a…
阅读更多...
人工智能与物联网：融合创新驱动未来

人工智能与物联网：融合创新驱动未来

引言 人工智能（AI）指的是计算机系统模拟人类智能的能力，包括学习、推理、问题解决、理解自然语言以及感知和响应环境的能力。AI技术涵盖了机器学习、深度学习、神经网络、自然语言处理等领域，广泛应用于图像识别、语音识别、自动驾…
阅读更多...
FPGA学习笔记（5）——硬件调试与使用内置的集成逻辑分析仪（ILA）IP核

FPGA学习笔记（5）——硬件调试与使用内置的集成逻辑分析仪（ILA）IP核

如果要对信号进行分析，可以使用外置的逻辑分析仪，但成本较高，对初学者来说没有必要，可以使用Xilinx Vivado内自带的逻辑分析仪IP核对信号进行分析，不过需要占用一定的芯片资源。 本节采用上一节配置的LED灯闪烁代码&a…
阅读更多...
如何改善老年人的行走姿势以减少小碎步现象？

如何改善老年人的行走姿势以减少小碎步现象？

改善老年人行走姿势的方法 为了改善老年人的行走姿势并减少小碎步现象，可以采取以下几种方法： 平衡训练：通过使用单脚站立架、平衡板等器械，提高身体稳定性和协调性，增强核心稳定性及下肢肌肉力量，从而改善…
阅读更多...
数据结构-顺序表的交换排序

数据结构-顺序表的交换排序

顺序表的初始化 const int M 505;typedef struct{int key; //关键元素int others; //其他元素 }info;typedef struct{info r[M1]; int length(); //表长 }SeqList,*PSeqList; 冒泡排序 分析： 顺序表的冒泡排序和数组的冒泡排序的…
阅读更多...
STM32定时器入门篇——（基本定时器的使用）

STM32定时器入门篇——（基本定时器的使用）

一、基本定时器的功能介绍： STM32F103的基本定时器有：TIM6、TIM7。基本定时器TIM6和TIM7各包含一个16位递增自动装载计数器，最大计数到2^16也就是65536，计数值为0~65535，其拥有的功能有：定时中断、主模式触…
阅读更多...
深度学习21-30

深度学习21-30

1.池化层作用（筛选、过滤、压缩） h和w变为原来的1/2，64是特征图个数保持不变。 每个位置把最大的数字取出来 用滑动窗口把最大的数值拿出来，把44变成22 2.卷积神经网络 （1）conv：卷积进行特征…
阅读更多...
Elasticsearch 数据提取 - 最适合这项工作的工具是什么？

Elasticsearch 数据提取 - 最适合这项工作的工具是什么？

作者：来自 Elastic Josh Asres 了解在 Elasticsearch 中为你的搜索用例提取数据的所有不同方式。 对于搜索用例，高效采集和处理来自各种来源的数据的能力至关重要。无论你处理的是 SQL 数据库、CRM 还是任何自定义数据源，选择正确的数据采集…
阅读更多...
【Excel】单元格如何设置可选项、固定表头

【Excel】单元格如何设置可选项、固定表头

设置可选项 固定表头：视图---冻结窗口
阅读更多...
最新文章

Copyright @ 2022~2023