Ollama 日志

Mac

有时，Ollama 可能无法如你所愿运行。解决问题的一个好方法是查看日志。在 Mac 上，你可以通过运行以下命令来查看日志：

cat ~/.ollama/logs/server.log

Linux

在使用 systemd 的 Linux 系统上，可以用这个命令查看日志：

journalctl -u ollama

Docker

在容器中运行 Ollama 时，日志会直接输出到容器的标准输出和标准错误输出中：

docker logs <container-name>

（使用 docker ps 可以找到容器的名字）

如果你是在终端里手动运行 ollama serve，那么日志会显示在该终端上。

Windows

在 Windows 上运行 Ollama 时，日志的存放位置有一些不同。你可以通过按下 +R 并输入下面的命令，在资源管理器窗口中查看日志：

• explorer %LOCALAPPDATA%\Ollama 查看日志
• explorer %LOCALAPPDATA%\Programs\Ollama浏览二进制文件（安装程序会添加到你的用户路径中）
• explorer %HOMEPATH%.ollama 浏览存储模型和配置的位置
• explorer %TEMP% 浏览存储在一个或多个 ollama* 目录中的临时可执行文件

为了更好地排查问题，启用额外的调试日志，首先从系统托盘菜单退出应用，然后在 PowerShell 终端中执行：

$env:OLLAMA_DEBUG="1"& "ollama app.exe"

LLM 库

Ollama 内置了多个为不同 GPU 和 CPU 向量特性编译的大语言模型（LLM）库。Ollama 会尝试根据你的系统能力选择最合适的库。如果自动检测功能出现问题，或者你遇到了其他问题（如 GPU 崩溃），可以通过指定特定的 LLM 库来解决。cpu_avx2 的性能最佳，其次是 cpu_avx，最慢但兼容性最强的是 cpu。MacOS 下的 Rosetta 模拟可以使用 cpu 库。

在服务器日志中，你会看到类似下面这样的消息（具体内容可能因版本而异）：

Dynamic LLM libraries [rocm_v6 cpu cpu_avx cpu_avx2 cuda_v11 rocm_v5]

LLM 库替换（实验性）

你可以通过设置 OLLAMA_LLM_LIBRARY 来指定使用哪个 LLM 库，从而绕过自动检测。例如，如果你有一张 CUDA 显卡，但想要强制使用支持 AVX2 向量的 CPU LLM 库，可以使用：

OLLAMA_LLM_LIBRARY="cpu_avx2" ollama serve

你可以通过以下命令查看你的 CPU 支持哪些特性：

cat /proc/cpuinfo| grep flags | head -1

在 Linux 上安装旧版本或预发布版本

如果你在 Linux 上遇到问题想要安装一个旧版本，或者想要在正式发布前尝试预发布版本，你可以通过指定版本号来告诉安装脚本安装哪个版本：

curl -fsSL <https://ollama.com/install.sh> | OLLAMA_VERSION="0.1.29" sh

Linux 的 tmp 目录设置为 noexec

如果你的系统将 Ollama 存储临时可执行文件的 tmp 目录设置为了 “noexec”，你可以通过设置 OLLAMA_TMPDIR 来指定一个用户可写的替代位置。例如 OLLAMA_TMPDIR=/usr/share/ollama/

在 NVIDIA GPU 上运行容器失败

确保你已按照 docker.md 描述的步骤设置好了容器运行时环境。

有时，容器运行时可能在初始化 GPU 时遇到问题。查看服务器日志时，你可能会看到各种错误代码，如 “3”（未初始化）、“46”（设备不可用）、“100”（无设备）、“999”（未知）等。以下是一些可能帮助解决问题的排查方法：

• 容器运行时是否正常工作？尝试运行 docker run --gpus all ubuntu nvidia-smi，如果这不起作用，Ollama 将无法识别你的 NVIDIA GPU。
• UVM 驱动是否未加载？运行 sudo nvidia-modprobe -u
• 尝试重新加载 nvidia_uvm 驱动 - 先运行 sudo rmmod nvidia_uvm 然后运行 sudo modprobe nvidia_uvm
• 尝试重启电脑
• 确保你使用的是最新的 nvidia 驱动
• 如果这些方法都无法解决问题，请收集更多信息并提交问题报告：
• 设置 CUDA_ERROR_LEVEL=50 并尝试再次运行，以获得更多诊断日志
• 检查 dmesg 是否有任何相关错误，运行 sudo dmesg | grep -i nvrm 和 sudo dmesg | grep -i nvidia

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】