只想简单跑个 AI 大模型，却发现并不简单

之前我用 Ollama 在本地跑大语言模型（可以参考《AI LLM 利器 Ollama 架构和对话处理流程解析》）。这次想再捣鼓点进阶操作，比如 fine-tuning。

我的想法是：既然有现成的大模型，为什么不自己整理些特定领域的数据集，给模型“加点料”呢？这样最后就能得到一个针对特定领域优化过的模型了。

不过，我很快发现，事情并没有想象的那么简单。想要 fine-tune ？那得先能通过代码的方式跑起来模型再说吧！于是，这篇文章就诞生了，记录了我如何“简单”跑个 AI 大模型，结果问题不断的过程。

云环境还是本地？

众所周知，跑 AI 模型最好有 GPU。好吧，我没有 GPU。那怎么办？没关系！云环境来救场！Google Colab、Kaggle Notebooks 都挺香的，毕竟谁不喜欢“白嫖”呢？我果断选择了 Colab，心想资源丰富又强大。

然而，现实狠狠打了我的脸。空闲 GPU 资源？不存在的！对于免费用户，GPU 资源完全是看缘分，没有就是没有。不过，除此之外，Colab 还是很好用的。

由于拿不到更好的资源，以及环境存在限制，我还是决定回到我的“战五渣”本地环境。

Python 环境：折腾得头秃

进入 AI 领域，Python 是不可避免的老大哥，但也正是因为它，噩梦开始了。你会遇到各种 Python 版本问题，还有管理依赖包的问题。于是你就开始在虚拟环境、各种工具的泥潭中挣扎。Conda、pipenv、pipx、poetry 各种工具轮番上场，最后传说中的“现代包管理器” poetry 装个 PyTorch 都失败了！这让我无比抓狂。

怎么办呢？还是得上 Docker！虚拟环境？各种工具？统统扔掉！我只需要一个干净的 Docker 环境，把代码目录挂载到容器里，简直不要太爽。

不过，还要处理下容器重启时需要重新下载依赖包的问题，有两种处理办法。第一种是弄镜像，选择一个包含各种依赖环境的大镜像，或者层层构建新的镜像，我嫌麻烦没这么做。第二种就是把依赖包直接持久化，存储到项目目录下（类似于 node.js 的 node_modules），然后把 PYTHONPATH 设置好，指向这些依赖的位置就行了。