如何在Android上运行Llama 3.2

显示全部楼层

引言

随着Llama 3.2的发布，Meta在将强大的语言模型带到边缘和移动设备方面取得了重大进展。Llama 3.2包含了专为智能手机和平板电脑高效运行而设计的轻量级模型（1B和3B参数）。本教程将指导您通过MLC LLM库对Llama 3.2模型进行量化、转换和部署。

您将学习到

如何设置模型转换和部署的环境。
如何量化和转换Llama 3.2模型，以便在移动设备上兼容。
如何编译和构建Android应用程序，以便在设备上本地运行模型。

前提条件

一个Google Colab帐户（最好是Colab Pro或更高，以获取GPU资源）。
一台具有足够硬件能力的Android设备。
基本的Python和命令行工具知识。
访问Llama 3.2模型权重（可在Hugging Face上获取）。

了解Llama 3.2

Llama 3.2是Meta最新的开源语言模型版本，经过优化以适应边缘和移动设备。轻量级模型（1B和3B参数）支持高达128K令牌的上下文长度，并能够执行诸如摘要、指令跟随和重写等任务，均可在您的设备上本地运行。

关键特性：

轻量级模型： 专为设备部署设计的1B和3B参数模型。
高性能： 经过优化，以提高效率而不牺牲能力。
隐私友好： 本地运行模型确保您的数据保留在设备上。

设置环境

我们将使用Google Colab进行初步步骤，以利用其GPU资源。

步骤1：克隆存储库

首先，克隆包含必要脚本和笔记本的存储库。

!gitclonehttps://github.com/YourUsername/Llama3.2-on-Mobile.git

步骤2：安装依赖项

安装MLC LLM库，并确保NumPy版本兼容。

!pipinstall--pre--force-reinstallmlc-ai-nightly-cu122mlc-llm-nightly-cu122-fhttps://mlc.ai/wheels
!pipinstallnumpy==1.23.5

步骤3：导入库

importmlc_llm
importtorch
fromhuggingface_hubimportsnapshot_download

步骤4：验证GPU可用性

确保Colab使用的是GPU。

importtorch
torch.cuda.is_available()

如果返回True，则说明可以使用。

量化和转换模型

步骤1：下载Llama 3.2模型权重

登录Hugging Face账户并下载Llama 3.2模型。

fromhuggingface_hubimportnotebook_login
notebook_login()

#将'meta-llama/Llama-3.2-3B'替换为实际模型库
snapshot_download(repo_id="meta-llama/Llama-3.2-3B",local_dir="/content/Llama-3.2-3B/")

步骤2：配置模型名称和量化类型

设置模型名称和所需的量化。

MODEL_NAME="Llama-3.2-3B"
QUANTIZATION="q4f16_1"

步骤3：转换和量化模型

使用MLC LLM工具对模型权重进行量化和转换。

!python-mmlc_llmconvert_weight/content/$MODEL_NAME/--quantization$QUANTIZATION-o/content/$MODEL_NAME-$QUANTIZATION-android/

步骤4：生成配置文件

创建必要的令牌文件和配置。

!python-mmlc_llmgen_config/content/$MODEL_NAME/--quantization$QUANTIZATION\
--conv-templatellama-3--context-window-size8192--prefill-chunk-size1024\
-o/content/$MODEL_NAME-$QUANTIZATION-android/

步骤5：为Android编译模型

将模型编译为Android兼容格式。

!python-mmlc_llmcompile/content/$MODEL_NAME-$QUANTIZATION-android/mlc-chat-config.json\
--deviceandroid-o/content/$MODEL_NAME-$QUANTIZATION-android/$MODEL_NAME-$QUANTIZATION-android.tar

步骤6：将模型上传到Hugging Face

这将使您更容易直接在Android设备上下载模型权重。

fromhuggingface_hubimportcreate_repo,upload_folder

repo_name=f"{MODEL_NAME}-{QUANTIZATION}-android"
username="YourUsername"#将其替换为您的HuggingFace用户名
repo_id=f"{username}/{repo_name}"

create_repo(repo_id,exist_ok=True)

upload_folder(
repo_id=repo_id,
folder_path=f"/content/{MODEL_NAME}-{QUANTIZATION}-android/",
commit_message="QuantizedLlama3.2modelforAndroid.",
)

为Android编译模型

步骤1：设置Linux环境（可选）

如果您使用的是Windows，建议使用Linux环境或云虚拟机（如Google Cloud Platform）以避免兼容性问题。

步骤2：安装Rust

Rust是交叉编译标记器所需的。

curl--proto'=https'--tlsv1.2-sSfhttps://sh.rustup.rs|sh

安装后重启终端。

步骤3：安装Android NDK和CMake

打开Android Studio，通过SDK管理器安装NDK和CMake。

步骤4：安装其他依赖项

pipinstall--pre-U-fhttps://mlc.ai/wheelsmlc-llm-nightlymlc-ai-nightly
sudoapt-getinstallcmake

步骤5：克隆必要的存储库

gitclonehttps://github.com/mlc-ai/mlc-llm.git
gitclonehttps://github.com/YourUsername/Llama3.2-on-Mobile.git

步骤6：下载量化模型权重

导航到mlc-llm/android/MLCChat/dist/prebuilt目录，克隆包含量化模型的Hugging Face存储库。

cdmlc-llm/android/MLCChat/dist/prebuilt
gitclonehttps://huggingface.co/YourUsername/Llama-3.2-3B-q4f16_1-android.git

步骤7：复制编译后的模型

将之前生成的.tar文件复制到lib目录。

cdmlc-llm/android/MLCChat/dist
mkdirlib
cp/content/Llama-3.2-3B-q4f16_1-android.tar./lib/

步骤8：配置`mlc-package-config.json`

编辑mlc-package-config.json文件以包含您的模型详细信息。

{
"device":"android",
"model_list":[
{
"model":"Llama-3.2-3B-q4f16_1-android",
"bundle_weight":true,
"model_id":"llama-3.2-3b-q4f16_1",
"model_lib":"llama-q4f16_1",
"estimated_vram_bytes":1500000000,
"overrides":{
"context_window_size":768,
"prefill_chunk_size":256
}
}
],
"model_lib_path_for_prepare_libs":{
"llama-q4f16_1":"./dist/lib/Llama-3.2-3B-q4f16_1-android.tar"
}
}

步骤9：设置环境变量

exportANDROID_NDK=/path/to/your/ndk
exportTVM_NDK_CC=$ANDROID_NDK/toolchains/llvm/prebuilt/linux-x86_64/bin/aarch64-linux-android24-clang
exportTVM_HOME=/path/to/mlc-llm/3rdparty/tvm
exportJAVA_HOME=/path/to/android-studio/jbr
exportMLC_LLM_HOME=/path/to/mlc-llm

步骤10：生成Android构建文件

cdmlc-llm/android/MLCChat
python3-mmlc_llmpackage

设置

Android环境

步骤1：打开Android项目

在Android Studio中打开位于Llama3.2-on-Mobile/mobile-llama3/MobileLlama3的Android项目。

步骤2：更新`mlc-app-config.json`

在src/main/assets目录中，配置mlc-app-config.json文件。

{
"model_list":[
{
"model_id":"llama-3.2-3b-q4f16_1",
"model_lib":"llama-q4f16_1",
"model_url":"https://huggingface.co/YourUsername/Llama-3.2-3B-q4f16_1-android",
"estimated_vram_bytes":1500000000
}
]
}

步骤3：构建Android应用

在Android Studio中点击Build > Make Project，这可能需要一些时间。

构建和运行Android应用

步骤1：连接Android设备

确保您的设备启用了USB调试。

步骤2：运行应用

在Android Studio中点击Run > Run 'app'。

步骤3：与设备上的Llama 3.2互动

应用安装后，您可以开始在Android设备上直接与Llama 3.2模型互动。

注意：在移动设备上运行大型语言模型需要相当大的计算资源。性能可能会根据设备的硬件能力而有所不同。

结论

恭喜您！您已成功在Android设备上部署Llama 3.2模型。这使得离线推理成为可能，并确保数据在您的设备上保持私密。欢迎尝试不同的模型和配置，以优化性能。