目前，绝大多数大模型运行在云端服务器，终端设备通过调用api的方式获得回复。但这种方式有几个缺点：首先，云api要求设备始终在线，这对于部分需要在无互联网接入的情况运行的设备很不友好；其次，云api的调用需要消耗流量费，用户可能不想支付这部分费用；最后，如果几年后，项目组被关停，API接口被关闭，那么用户花大价钱购买的智能硬件将成为一块砖头。所以，我坚信，最终的用户硬件应该能够完全离线运行，无需额外成本或使用在线 API。（用户可以选择是否使用在线api，但离线服务是必需的）

在本文中，我将展示如何在 Raspberry Pi 上运行 LLaMA-2 GPT 模型和自动语音识别 (ASR)。这使得我们能够向 Raspberry Pi 提出问题并获得答案，所有这一切都将完全离线进行。

本文中提供的代码在 Raspberry Pi 上运行。但也适用于 Windows、OSX 或 Linux 笔记本电脑。因此，那些没有 Raspberry Pi 的读者可以轻松测试代码。

硬件

Raspberry Pi 4，它是一台运行Linux的单板计算机；它体积小，仅需要 5V 直流电源，无需风扇和主动冷却：

对于RAM大小，我们有两种选择：

• 有 8 GB RAM 的 Raspberry Pi 允许我们运行7B LLaMA-2 GPT^[1]模型，其在 4 位量化模式下的内存占用约为 5 GB。

• 有2 或 4 GB RAM的设备允许我们运行像TinyLlama-1B^[2]这样的较小模型。这个模型也更快，但正如我们稍后将看到的，它的答案可能有点不那么“聪明”。

这两种模型都可以从 HuggingFace 下载，一般来说，几乎不需要更改代码。

Raspberry Pi 是一台成熟的 Linux 计算机，我们可以通过 SSH 轻松地在终端中看到输出。但它不够有趣，也不适合像机器人这样的移动终端设备。对于 Raspberry Pi，我将使用单色128x64 I2C OLED 显示屏。该显示器仅需要 4 根线即可连接：

显示器可以在淘宝上以十几元的价格购买；无需焊接，在 Raspberry Pi 设置中启用 I2C 接口即可；关于这一点有足够的教程。为了简单起见，我将在这里省略硬件部分，只关注 Python 代码。

显示

我将从显示器开始，因为在测试过程中最好在屏幕上看到一些东西。Adafruit_CircuitPython_SSD1306库允许我们在 OLED 显示屏上显示任何图像。该库有一个低级接口；它只能从内存缓冲区中绘制像素或单色位图。为了使用可滚动文本，我创建了一个存储文本缓冲区的数组和一个_display_update绘制文本的方法：

 PIL  Image, ImageDraw, ImageFont
:
 board
 adafruit_ssd1306
    i2c = board.I2C()
    oled = adafruit_ssd1306.SSD1306_I2C(pixels_size[], pixels_size[], i2c)
 ImportError:
    oled = 


char_h = 
rpi_font_poath = 
font = ImageFont.truetype(rpi_font_poath, char_h)
pixels_size = (, )
max_x, max_y = , 
display_lines = []

 ():

 oled
    image = Image.new(, pixels_size)
    draw = ImageDraw.Draw(image)
 y, line  (display_lines):
        draw.text((, y*char_h), line, font=font, fill=, align=)

 oled:
        oled.fill()
        oled.image(image)
        oled.show()

这里，一个(22, 5)变量包含我们可以显示的行数和列数。如果发生这种情况，变量oled也可以是 None ImportError；例如，如果我们在笔记本电脑而不是 Raspberry Pi 上运行此代码。为了模拟文本滚动，我还创建了两个辅助方法：

 ():

 display_lines

    text_chunks = [text[i: i+max_x]  i  (, (text), max_x)]
 text  text_chunks:
 line  text.split():
            display_lines.append(line)
            display_lines = display_lines[-max_y:]
    _display_update()

 ():

 display_lines
    last_line = display_lines.pop()
    new_line = last_line + text
    add_display_line(new_line)

第一种方法是在显示中添加新行；如果字符串太长，该方法会自动将其分成几行。第二种方法是添加不带“回车符”的文本标记；我将使用它来显示 GPT 模型的答案。调用add_display_line方法：

 p  ():
    add_display_line()
    time.sleep()

如果一切运行正常，树莓派会重复打印当前时间：

自动语音识别（ASR）

对于 ASR，我将使用HuggingFace的Transformers^[3]库，调用它，通过几行 Python 代码实现语音识别：

 transformers  pipeline
 transformers..  ffmpeg_microphone_live


asr_model_id = 
transcriber = (,
                       model=asr_model_id,
                       device=)

这里，我使用了Whisper-tiny-en^[4]模型，该模型经过 68 万小时的语音数据训练。这是最小的 Whisper 型号；它的文件大小为 151MB。当模型加载后，我们可以使用该ffmpeg_microphone_live方法从麦克风获取数据：

   ( chunk_length_s:  ) ->  : 
 
 transcriber 
    Sample_rate = transcriber.feature_extractor.sampling_rate 
    mic = ffmpeg_microphone_live( 
            Sample_rate=sampling_rate, 
            chunk_length_s=chunk_length_s, 
            stream_chunk_s=chunk_length_s, 
        ) 

    result =  
 item  transcriber(mic): 
        result = item[  ] 
   item[  ][  ]: 
            Break 
 result.strip()

Raspberry Pi 没有麦克风，但任何 USB 麦克风都可以完成这项工作。该代码也可以在笔记本电脑上测试；在笔记本上，将使用内置麦克风。

大语言模型

现在，让我们添加大语言模型。首先，我们需要安装所需的库：

pip3 install llama-cpp-python
pip3 install huggingface-hub sentence-transformers langchain

在使用LLM之前，我们需要下载它。正如之前所讨论的，我们有两种选择。对于 8GB Raspberry Pi，我们可以使用 7B 型号。对于 2GB 设备，1B的tiny LLM是唯一可行的选择；较大的模型无法载入RAM。要下载模型，我们可以使用该huggingface-cli工具：

huggingface-cli download TheBloke/Llama--b-Chat-GGUF llama--b-chat.Q4_K_M.gguf ---dir . ---dir--symlinks False
OR
huggingface-cli download TheBloke/TinyLlama-B-Chat-v1.-GGUF tinyllama-b-chat-v1..Q4_K_M.gguf ---dir . ---dir--symlinks False

我使用了 Llama-2–7b-Chat-GGUF和 TinyLlama-1–1B-Chat-v1-0-GGUF模型。较小的模型运行速度更快，但较大的模型可能会提供更好的结果。

下载模型后，我们可以使用它：

 langchain.llms  LlamaCpp
 langchain.callbacks.manager  CallbackManager
 langchain.callbacks.streaming_stdout  StreamingStdOutCallbackHandler
 langchain.prompts  PromptTemplate
 langchain.schema.output_parser  StrOutputParser


llm: [LlamaCpp] = 
callback_manager:  = 

model_file =   
template_tiny = 
template_llama = 
template = template_tiny


 ():

 llm, callback_manager

    callback_manager = CallbackManager([StreamingCustomCallbackHandler()])
    llm = LlamaCpp(
        model_path=model_file,
        temperature=,
        n_gpu_layers=,
        n_batch=,
        callback_manager=callback_manager,
        verbose=,
    )


 ():

 llm, template

    prompt = PromptTemplate(template=template, input_variables=[])
    chain = prompt | llm | StrOutputParser()
    chain.invoke({: question}, config={})

使用该模型很简单，但接下来：我们需要在 OLED 屏幕上流式地显示答案。为此，我将使用自定义回调，每当 LLM 生成新令牌时都会执行该回调：

 ():


 () -> :

()

 () -> :

()

 () -> :

(, end=)
        add_display_tokens(token)

测试

最后，组合所有部分。代码很简单：

 __name__ == :
    add_display_line()
    asr_init()

    add_display_line()
    llm_init()

 :

        add_display_line()
        add_display_line()
        question = transcribe_mic(chunk_length_s=)
 (question) > :
            add_display_tokens()
            add_display_line()

            llm_start(question)

这里，Raspberry Pi 在 5 秒内录制音频，然后语音识别模型将音频转换为文本；最后，将识别出的文本发送给LLM。结束后，重复该过程。这种方法可以改进，例如，通过使用自动音频电平阈值，但对于一个weekend demo来说，它已经足够好了。

在树莓派上运行成功后

在这里，我们可以看到 Raspberry Pi 4 上的 1B LLM 推理速度。Raspberry Pi 5 应该快 30-40%。

我没有使用任何基准（例如 BLEU 或 ROUGE）来比较 1B 和 7B 型号的质量。主观上，7B 模型提供了更正确、信息更丰富的答案，但它也需要更多 RAM、更多加载时间（文件大小分别为 4.6 和 0.7GB），并且运行速度慢 3-5 倍。至于功耗，Raspberry Pi 4 在运行模型、连接 OLED 屏幕和 USB 麦克风的情况下平均需要 3-5W。

结论

在本文中，我们在树莓派上运行了语音识别和大语言模型，使得树莓派能够理解我们的语音并做出回复。这样的demo也是边缘端GPT模型的一个有趣的里程碑：GPT正在进入智能设备时代，这些设备将能够理解人类语音、响应文本命令或执行不同的操作。

从视频中我们可以看到，LLM的回复速度还是有点慢。但根据摩尔定律， 5-10 年后，相同的模型将轻松运行在 1 美元的芯片上，就像现在我们可以运行成熟的 PDP-11 模拟器（PDP在80年代的时候价值10 万美元）在 5 美元的 ESP32 板上。