当前位置：首页 > wzjs >正文

少儿美术专业网站做课件拓客软件哪个好用

wzjs 2025/8/6 15:09:27

少儿美术专业网站做课件,拓客软件哪个好用,制作企业网站的公司,网站开发接口文档使用 .NET 在我的 MacBook Pro 上与当地 LLM 聊天的历程。如今，只需使用浏览器即可轻松使用 ChatGPT 或其他 genAI。作为开发人员，我们可以通过直接集成 OpenAI API 等来做更复杂的事情。如果我们想在自己的机器上运行 LLM，只是为了找人聊天…

使用 .NET 在我的 MacBook Pro 上与当地 LLM 聊天的历程。

如今，只需使用浏览器即可轻松使用 ChatGPT 或其他 genAI。作为开发人员，我们可以通过直接集成 OpenAI API 等来做更复杂的事情。如果我们想在自己的机器上运行 LLM，只是为了找人聊天或开发一些有趣的东西，该怎么办？

DeepSeek最近发布的模型在软件和技术行业引起了轰动。得益于蒸馏技术，更小、资源更便宜的模型现在可以在特定任务上发挥同样强大的作用。无论是在 genAI 还是 ML 世界中，Python 都是占主导地位的堆栈。虽然我个人很了解 Python，但作为#EverythingInCSharp系列的传统。在这篇文章中，我记录了如何deepseek-ai/DeekSeek-R1-Distill-Llama-8B在 C# 程序中运行模型。

1、先决条件

Python 3 +
.NET8+
支持 lfs 的Git

由于 .NET 无法直接以格式使用 Hugging Face 模型.safetensors，因此您需要将.safetensors格式转换为（GPT 生成的统一格式）或下载其他人.gguf转换并上传到Hugging Face 的格式（例如这个）。如果您不想自己转换，请跳到第 5 点。

2.下载模型

使用以下 git 命令克隆模型存储库，请注意模型文件有 15GB 大：

git clone https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Llama-8B

3. 克隆 Llama.cpp 仓库

您将需要里面的转换脚本将 HuggingFace 格式转换为 GGUF 格式。

git clone https://github.com/ggerganov/llama.cpp.git

4.转换模型

在成功运行转换脚本之前，我必须：

4.1 设置虚拟环境

cd llama.cpp
python3 -m venv .
source bin/activate

4.2 安装以下软件包

python3 -m pip install numpy torch sentencepiece gguf safetensors transformers

python3 convert_hf_to_gguf.py --outfile your_filename.gguf ../DeepSeek-R1-Distill-Llama-8B

完成后您将看到以下内容：

5.创建一个新的C#控制台程序

dotnet new console

6.安装所需的软件包

由于该模型是基于骆驼的，我们需要LlamaSharp

dotnet add package LLamaSharp

我正在使用 Macbook Pro，因此我也需要安装一个特定的backends：

dotnet add package LLamaSharp.Backend.Cpu

如果您不使用 Mac，请参阅此处backends提供的官方列表。

7.创建聊天会话的代码

我将从自述文件中复制示例代码LlamaSharp来复制最小的聊天会话设置：

using LLama;
using LLama.Common;
using LLama.Sampling;

string modelPath = @"DeepSeek-R1-Distill-Llama-8B.gguf"; // change it to your own model path.

var parameters = new ModelParams(modelPath)
{
ContextSize = 1024, // The longest length of chat as memory.
GpuLayerCount = 5 // How many layers to offload to GPU. Please adjust it according to your GPU memory.
};
using var model = LLamaWeights.LoadFromFile(parameters);
using var context = model.CreateContext(parameters);
var executor = new InteractiveExecutor(context);

// Add chat histories as prompt to tell AI how to act.
var chatHistory = new ChatHistory();
chatHistory.AddMessage(AuthorRole.System, "Transcript of a dialog, where the User interacts with an Assistant named Bob. Bob is helpful, kind, honest, good at writing, and never fails to answer the User's requests immediately and with precision.");
chatHistory.AddMessage(AuthorRole.User, "Hello, Bob.");
chatHistory.AddMessage(AuthorRole.Assistant, "Hello. How may I help you today?");

ChatSession session = new(executor, chatHistory);

InferenceParams inferenceParams = new InferenceParams()
{
MaxTokens = 256, // No more than 256 tokens should appear in answer. Remove it if antiprompt is enough for control.
AntiPrompts = new List<string> { "User:" }, // Stop generation once antiprompts appear.

SamplingPipeline = new DefaultSamplingPipeline(),
};

Console.ForegroundColor = ConsoleColor.Yellow;
Console.Write("The chat session has started.\nUser: ");
Console.ForegroundColor = ConsoleColor.Green;
string userInput = Console.ReadLine() ?? "";

while (userInput != "exit")
{
await foreach ( // Generate the response streamingly.
var text
in session.ChatAsync(
new ChatHistory.Message(AuthorRole.User, userInput),
inferenceParams))
{
Console.ForegroundColor = ConsoleColor.White;
Console.Write(text);
}
Console.ForegroundColor = ConsoleColor.Green;
userInput = Console.ReadLine() ?? "";
}