ollama是一个在本地启动并运行大型语言模型的框架。ollama 通过对模型文件进行转化，配置和优化，方便进行多平台部署，包括GPU的使用做了一定的优化，另外LangChain也对其做了集成。
注意：由于ollama及LLM社区日新月异，本文章可能存在时效性，请酌情参考。
需要提前安装lspci或者lshw
curl -fsSL [https://ollama.com/install.sh](https://ollama.com/install.sh) | sh
正常安装，看提示判断是否安装成功。如果不成功，根据实际错误自行解决。
新增以下脚本，并且允许外网访问：
#!/bin/bash
加载官方已发布镜像
ollama run gemma:7b
加载gemma
加载成功
ollama会将缓冲保存到本地用户目录下：~/.ollama/models 文件保存类似于docker存储方式
缓存
如果想从当前服务中移除运行的镜像，有两种方法，1、重启ollama 服务 2、使用rm删除当前镜像，第二种方法有个问题就是镜像得重新下载。
导入cguf格式模型较为简单
1、创建**Modelfile文件**
首先创建一个Modelfile。该文件是模型的蓝图，指定权重、参数、提示模板等。
FROM ./mistral-7b-v0.1.Q4_0.gguf
（可选）许多聊天模型需要提示模板才能正确回答。可以使用Modelfile中的TEMPLATE指令指定默认提示模板：
FROM ./mistral-7b-v0.1.Q4_0.gguf
2、创建Ollama模型
ollama create example -f Modelfile
3、运行模型
ollama run example "What is your favourite condiment?"
从PyTorch和Safetensors导入的过程比从GGUF导入的过程更长。
1、克隆ollama项目
git clone https://github.com/ollama/ollama
2、 fetch llama.cpp 子模块:
git submodule init
3、安装依赖
conda create -n ollama python=3.10
4、构建quantize工具
make -C llm/llama.cpp quantize
5、获取或者下载模型到本地
6、转换模型
某些模型架构需要使用特定的转换脚本。例如，Qwen模型需要运行convert-hf-to-gguf.py而不是convert.py
python llm/llama.cpp/convert.py ./model --outtype f16 --outfile converted.bin
这里不太清楚是否可以直接使用量化模型，先尝试qwen1.5-Qwen1.5-14B-Chat-GPTQ-Int8
转换模型命令如下：
python llm/llama.cpp/convert-hf-to-gguf.py /data/models/Qwen1.5-14B-Chat-GPTQ-Int8 --outtype q8_0 --outfile converted.bin
目前不支持，错误如下：
[convert-hf-to-gguf.py](http://convert-hf-to-gguf.py/): error: argument --outtype: invalid choice: 'q8_0' (choose from 'f32', 'f16')
指定f16遇到新的错误，暂时不清楚如何解决，网上没有检索到类似的错误：
Loading model: Qwen1.5-14B-Chat-GPTQ-Int8
尝试使用无量化模型Qwen1.5-14B-Chat
错误，这个原因是由于镜像内未安装git-lfs
gguf: loading model part 'model-00001-of-00008.safetensors'
执行转换，占用的是CPU，无GPU占用
cpu占用率
cover成功
转换成功
7、量化模型
llm/llama.cpp/quantize converted.bin quantized.bin q4_0
针对qwen特殊配置，这里是量化int8
llm/llama.cpp/quantize converted.bin qwen_v1.5_quantized_int8.bin q8_0
成功
量化成功
8、构造文件 Modelfile
FROM qwen_v1.5_quantized_int8.bin
9、创建一个 Ollama 模型
最终，从Modelfile创建一个模型
ollama create example -f Modelfile
针对qwen
ollama create qwen1.5-int8 -f Modelfile
创建模型
10、运行你的模型
ollama run qwen1.5-int8 "who are you?"
运行模型
接口测试
curl http://192.168.3.199:11434/api/generate -d '{
api测试结果
继续测试（No streaming）
curl http://192.168.3.199:11434/api/generate -d '{
api测试结果
消耗资源
GPU占用资源
此处显存是同时加载：gemma:7b和Qwen1.5-14B-Chat-GPTQ-Int8
更多接口格式，请参考ollama官方文档。
对于在docker内部运行来说，如果没有启动systemd，所以需要手动启动对应服务
ollama会建立一个ollama账户，用户目录位于/usr/share/ollama
ollama默认绑定127.0.0.1 11434端口，目前可以修改host，但是无法修改port，等待社区解决或者手动映射端口
https://github.com/ollama/ollama
https://ollama.com/download/linux
http://m.tnblog.net/hb/article/details/8200