一个最简单的部署大模型的方法，从此多一个code助手 - 链载Ai

好久不关注语言大模型了，最近谷歌开源了一个编程大模型，虽然是7b的但是效果确实不错，而且支持中文，于是乎部署了一个，很多小白感觉部署语言大模型有门槛，这个次给大家推荐一个小白可以玩的部署方式，话不多说上干货

这次使用的工具书ollama，支持mac，linux，windows，本人是win，所以就使用win版本了

谷歌这次开源了codegemma-7b，模型是基于gemma训练的，ollama支持，同时也开源了量化版本，我是4080直接用7b原版就可以，这个模型我测试时占用的显存是7G+，所以理论上8G显存够用

模型目前已经发布在hf上，大家可以自行去看，本次部署使用的ollama，首先是下载ollama

目前 codegemma-7b支持基本上所有语言的编程，我主要是用python的，所以测试也是基于python吧，哈哈

```pythondef quick_sort(nums):def partition(left, right):pivot = nums[left]while left <= right:while left <= right and nums[left] < pivot:left += 1while left <= right and nums[right] > pivot:right -= 1if left <= right:nums[left], nums[right] = nums[right], nums[left]left += 1right -= 1return left
def quick_sort_helper(left, right):if left < right:pivot_index = partition(left, right)quick_sort_helper(left, pivot_index - 1)quick_sort_helper(pivot_index, right)
quick_sort_helper(0, len(nums) - 1)return nums```
**使用方法：**
```pythonnums = [64, 34, 25, 12, 22, 11, 90]sorted_nums = quick_sort(nums)print(sorted_nums)# 输出：[11, 12, 22, 25, 34, 64, 90]```
**时间复杂度：** O(n log n)，其中 n 是数组的长度。
**空间复杂度：** O(log n)，这是递归函数的深度。
**注意：**
* 该算法的平均时间复杂度为 O(n log n)，但最坏情况下时间复杂度为 O(n^2)。* 该算法是稳定的排序算法。* 该算法的空间复杂度为 O(log n)，这是递归函数的深度。

基本可以运行，够用，我之前都是用chatgpt写页面的，这次不用梯子了，直接本地就可以了

>>> 基于gradio帮我写一个页面，输入一段文本，后台处理后返回一张图片，并显示```pythonimport gradio as grimport cv2
def generate_image(text):# 在这里添加文本生成图片的逻辑，例如使用 OpenCV 库或其他图像生成库image = cv2.putText(np.zeros((224, 224, 3), np.uint8), text, (50, 100), cv2.FONT_HERSHEY_SIMPLEX, 1, (255,255, 255), 2)return image
iface = gr.Interface(fn=generate_image,inputs="text",outputs="image",)
iface.launch()```
**使用方法：**
在 Gradio 界面中输入一段文本，然后点击“Run”按钮，页面会生成一张图片并将其显示在图像输出框中。
**注意：**
* 该示例仅展示了如何使用 Gradio 和 OpenCV 库生成图片。您需要根据您的需求修改代码。* 该示例中没有考虑图像生成时间，因此图像生成可能会比较慢。* 该示例没有实现图像生成错误处理。