Llama2 Flask AI Server using LLamaCPP

Supported:

• CPU
• M1 Metal GPU
• Cuda GPU

Warning:

• Docker MacOS üzerinde en az 5 kat yavaş çalışıyor, sanallaştırmadan kaynaklı. Native kurulum yapın.
• Linux üzerinde GPU kullanımı için ekran kartı sürücüleri host sisteme yüklenmeli ve docker kullanılacak ise "Cuda Container Toolkit" yüklenmeli
• Model dosyaları HuggingFace'ten otomatik olarak "models" dizinine indirilir. Bu dizin eğer docker ile kullanılacak ise paylaşım yapılmalı.
• MacOS için xcode-select --install gereklidir.
• 7b 16GB - 13b 32GB - 70b 140GB ortalama Ram|vRam gerektirir.
• 70b CPU üzerinde çalıştırılmamalıdır.

Dependencies/Model:

• LLaMA.cpp
• LLaMA.cpp Python Binding
• Nvidia Cuda Pytorch Container
• Llama2 Chat Prompt Template
• Llama2 7B Chat GGUF
• Llama2 7B Chat GGUF Uncensored
• Llama2 13B Chat GGUF
• Llama2 70B Chat GGUF

ENV:

The predefined models are in the src/models.py file.

MODEL=7b-Q4KM-CHAT
HOST=0.0.0.0
PORT=3000

Installation

Mac M1/M2 Metal GPU

git clone <repo>
sh ./install_mac.sh

Linux for CPU

git clone <repo>
sh ./install_linux.sh

Linux for GPU

• Install Cuda Driver

git clone <repo>
sh ./install_linux.sh

Docker (Only Linux, very slow on MacOS)

• Install Cuda Driver
• Install Cuda Container Toolkit

docker compose up --remove-orphans --build

Run

python3 src/server.py

API

HTTP Server: 127.0.0.1:3000

endpoint: http://127.0.0.1:3000/ask

RAW JSON Content:

{
    "textContext": "My name is Cesur Apaydın",
    "pdfContextBase64": "",
    "prompts": [
        "What is person's full name?",
        "What is person's role?",
        "What are their skills?"
    ]
}