MENU
AIと共にある未来へ繋ぐ
  1. ホーム
  2. LLM・RAG
  3. ollama.createのエラー「ResponseError: invalid digest format」

ollama.createのエラー「ResponseError: invalid digest format」

PR
LLM・RAG
ollama.createのエラー「ResponseError: invalid digest format」

外部のLLMをインストールする際、ollama.createを実行すると、「ResponseError:invalid digest format」というエラーが発生する場合があります。

本記事では、このエラーの原因と解消方法について分かりやすく解説します。

12/25開催の無料ウェビナー！

参加者募集中
【参加者募集中】RAG進化のさらに先へ！自律型AIエージェント

目次

ollama.createのエラー「ResponseError:invalid digest format」

見出し画像

ollamaでは、外部からインストールしたLLMのモデルを利用することができます。

ollama.createを使用してモデルをセットアップする際に、「ResponseError: invalid digest format」というエラーが発生する場合があります。

このエラーの原因と解消する方法を詳しく解説します。

Ollamaの環境構築

見出し画像

Dockerで環境構築

Dockerを使用してOllamaの環境構築をします

Dockerの使い方は以下の記事をご覧ください。

あわせて読みたい
UbuntuにDockerをインストール！GPUをコンテナから使う方法 GPUの環境構築では、ソフトウェアのバージョン不一致によるエラーが頻発します。 Dockerを使うことで、このような依存関係のエラーを回避しやすくなります。 この記事で…
STEP
Dockerfileの作成

Ubuntuのコマンドラインで、Dockerfileを作成します。

mkdir ollama
cd ollama
nano Dockerfile

Dockerfileに以下の記述を貼り付けます。

# ベースイメージ(CUDA)の指定
FROM nvidia/cuda:12.1.0-cudnn8-devel-ubuntu22.04

# 必要なパッケージをインストール
RUN apt-get update && apt-get install -y python3-pip python3-venv git nano curl

RUN curl -fsSL https://ollama.com/install.sh | sh

# 作業ディレクトリを設定
WORKDIR /app

# アプリケーションコードをコピー
COPY . /app

# Python仮想環境の作成
RUN python3 -m venv /app/.venv

# 仮想環境をアクティベートするコマンドを.bashrcに追加
RUN echo "source /app/.venv/bin/activate" >> /root/.bashrc

# JupyterLabのインストール
RUN /app/.venv/bin/pip install Jupyter jupyterlab

# ollamaのインストール
RUN /app/.venv/bin/pip install ollama

# コンテナの起動時にbashを実行
CMD ["/bin/bash"]

[Ctrl + S]キーで変更内容を保存し、[Ctrl + X]キーで編集モードから抜けます。

コマンドの説明

FROM nvidia/cuda:12.1.0-cudnn8-devel-ubuntu22.04

CUDA12.1のベースイメージを指定しています。

RUN apt-get update && apt-get install -y python3-pip python3-venv git nano curl

必要なパッケージをインストールしています。

RUN curl -fsSL https://ollama.com/install.sh | sh

Linux版のOllamaをインストールしています。PythonでOllamaを動かす際にもLinux版Ollamaのインストールが必要になりますのでご注意ください。

RUN /app/.venv/bin/pip install Jupyter jupyterlab

JupyterLabをインストールしています。

RUN /app/.venv/bin/pip install ollama

Ollamaのパッケージをインストールしています。

LLMはOllamaのライブラリを使って動かしますので、PyTorchやTransformerは別途インストール不要です。

STEP
docker-compose.ymlファイルの作成

docker-compose.ymlでDockerコンテナの設定をします。

docker-compose.ymlのYAMLファイルを作成して開きます。

nano docker-compose.yml

以下のコードをコピーして、YAMLファイルに貼り付けます。

services:
  langchain_rag:
    build:
      context: .
      dockerfile: Dockerfile
    image: langchain_rag
    runtime: nvidia
    container_name: langchain_rag
    ports:
      - "8888:8888"
    volumes:
      - .:/app/langchain_rag
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]
    command: >
      bash -c '/usr/local/bin/ollama serve & /app/.venv/bin/jupyter lab --ip="*" --port=8888 --NotebookApp.token="" --NotebookApp.password="" --no-browser --allow-root'

[Ctrl + S]キーで変更内容を保存し、[Ctrl + X]キーで編集モードから抜けます。

コマンドの説明

bash -c ‘/usr/local/bin/ollama serve & /app/.venv/bin/jupyter lab –ip=”*” –port=8888 –NotebookApp.token=”” –NotebookApp.password=”” –no-browser –allow-root’

bash -c '/usr/local/bin/ollama serve

Ollama Serverを起動しています。PythonのOllamaを使用する際に、Ollama Serverを起動しておく必要がありますので、ご注意ください。

& /app/.venv/bin/jupyter lab --ip="*" --port=8888 --NotebookApp.token="" --NotebookApp.password="" --no-browser --allow-root'

JupyterLabを8888番ポートで起動しています。

STEP
Dockerコンテナを起動

Dockerfileからビルドしてコンテナを起動します。   

docker compose up

 

Dockerの起動後にブラウザの検索窓に”localhost:8888″を入力すると、Jupyter Labをブラウザで表示できます。

localhost:8888

エラーの確認と解消方法

見出し画像

Dockerコンテナで起動したJupyter Lab上でOllamaの実装をします。

STEP
ログの設定

コードの実行中のログを記録するloggingモジュールの設定をします。

import logging
logging.basicConfig(level=logging.DEBUG)
STEP
LLMの設定

日本語LLMモデル「tokyotech-llm-Llama-3.1-Swallow-8B-Instruct-v0.1-Q4_K_M.gguf」をダウンロードします。

!curl -L -o tokyotech-llm-Llama-3.1-Swallow-8B-Instruct-v0.1-Q4_K_M.gguf "https://huggingface.co/mmnga/tokyotech-llm-Llama-3.1-Swallow-8B-Instruct-v0.1-gguf/resolve/main/tokyotech-llm-Llama-3.1-Swallow-8B-Instruct-v0.1-Q4_K_M.gguf?download=true"

Llama 3.1 Swallowについては、別の記事で詳しく解説しています。

あわせて読みたい
【Llama 3.1 Swallow】東工大の日本語に強いLLM！ Llama 3.1 Swallowは、MetaのLlama 3.1をベースに、東工大・産総研が日本語能力を強化したLLMです。 オープンな日本語LLMの中で、日本語の言語理解・生成タスクにおいて…

LLMの実行にはOllamaを使用します。

LLMのモデルがOllama使えるようにプロンプトテンプレートを指定して、モデルを作成します。

import ollama

modelfile='''
FROM ./tokyotech-llm-Llama-3.1-Swallow-8B-Instruct-v0.1-Q4_K_M.gguf
TEMPLATE """{{ if .System }}<|start_header_id|>system<|end_header_id|>

{{ .System }}<|eot_id|>{{ end }}{{ if .Prompt }}<|start_header_id|>user<|end_header_id|>

{{ .Prompt }}<|eot_id|>{{ end }}<|start_header_id|>assistant<|end_header_id|>

{{ .Response }}<|eot_id|>"""
PARAMETER stop "<|start_header_id|>"
PARAMETER stop "<|end_header_id|>"
PARAMETER stop "<|eot_id|>"
PARAMETER stop "<|reserved_special_token"
'''

ollama.create(model='swallow3_1', modelfile=modelfile)
コードの説明

FROM ./tokyotech-llm-Llama-3.1-Swallow-8B-Instruct-v0.1-Q4_K_M.gguf

ダウンロードしたモデルのパスが入ります。

TEMPLATE “””{{ if .System }}<|start_header_id|>system<|end_header_id|>…

モデルで使用するプロンプトテンプレートが入ります。

ollama.create(model=’swallow3_1’, modelfile=modelfile)

モデルとプロンプトテンプレートを使ってOllama用のモデルを作成します。modelにはOllamaで呼び出す際に使用する名前をつけられます。

Ollamaの詳しい使い方は、別の記事で解説しています。

あわせて読みたい
OllamaをPythonで使いたい！ローカルLLMを快適に動かす！ ollama-pythonはPython環境でOllamaが使える無料のライブラリです。 ollama-pythonを利用すれば、ローカルLLMをAPIで簡単に活用できたり、RAGやエージェントへの統合も…
STEP
エラーの確認「ResponseError: invalid digest format」

ollama.createを実行するとResponseError: invalid digest formatのエラーが発生しました。

以下のエラーログを確認すると、

SHA256ダイジェストの形式「http://127.0.0.1:11434/api/blobs/sha256:sha256:~」において、

sha256が2回連続で記述されており、無効なフォーマットになっていることがわかります。

DEBUG:httpcore.connection:connect_tcp.started host='127.0.0.1' port=11434 local_address=None timeout=None socket_options=None
DEBUG:httpcore.connection:connect_tcp.complete return_value=<httpcore._backends.sync.SyncStream object at 0x7f07209cace0>
DEBUG:httpcore.http11:send_request_headers.started request=<Request [b'POST']>
DEBUG:httpcore.http11:send_request_headers.complete
DEBUG:httpcore.http11:send_request_body.started request=<Request [b'POST']>
DEBUG:httpcore.http11:send_request_body.failed exception=WriteError(BrokenPipeError(32, 'Broken pipe'))
DEBUG:httpcore.http11:receive_response_headers.started request=<Request [b'POST']>
DEBUG:httpcore.http11:receive_response_headers.complete return_value=(b'HTTP/1.1', 400, b'Bad Request', [(b'Content-Type', b'application/json; charset=utf-8'), (b'Date', b'Sun, 15 Dec 2024 04:50:29 GMT'), (b'Content-Length', b'33'), (b'Connection', b'close')])
INFO:httpx:HTTP Request: POST http://127.0.0.1:11434/api/blobs/sha256:sha256:ee70757d12a0f93d672c5c47a3d2ce5c91b83a0e1f661d9832dc1278658bb628 "HTTP/1.1 400 Bad Request"
DEBUG:httpcore.http11:receive_response_body.started request=<Request [b'POST']>
DEBUG:httpcore.http11:receive_response_body.complete
DEBUG:httpcore.http11:response_closed.started
DEBUG:httpcore.http11:response_closed.complete
---------------------------------------------------------------------------
ResponseError                             Traceback (most recent call last)
Cell In[4], line 18
      1 import ollama
      3 modelfile='''
      4 FROM ./tokyotech-llm-Llama-3.1-Swallow-8B-Instruct-v0.1-Q4_K_M.gguf
      5 TEMPLATE """{{ if .System }}<|start_header_id|>system<|end_header_id|>
   (...)
     15 PARAMETER stop "<|reserved_special_token"
     16 '''
---> 18 ollama.create(model='swallow3_1', modelfile=modelfile)

File /app/.venv/lib/python3.10/site-packages/ollama/_client.py:514, in Client.create(self, model, path, modelfile, quantize, stream)
    512   modelfile = self._parse_modelfile(realpath.read_text(), base=realpath.parent)
    513 elif modelfile:
--> 514   modelfile = self._parse_modelfile(modelfile)
    515 else:
    516   raise RequestError('must provide either path or modelfile')

File /app/.venv/lib/python3.10/site-packages/ollama/_client.py:544, in Client._parse_modelfile(self, modelfile, base)
    542   path = path if path.is_absolute() else base / path
    543   if path.exists():
--> 544     args = f'@{self._create_blob(path)}\n'
    545   print(command, args, end='', file=out)
    547 return out.getvalue()

File /app/.venv/lib/python3.10/site-packages/ollama/_client.py:561, in Client._create_blob(self, path)
    558 digest = f'sha256:{sha256sum.hexdigest()}'
    560 with open(path, 'rb') as r:
--> 561   self._request_raw('POST', f'/api/blobs/sha256:{digest}', content=r)
    563 return digest

File /app/.venv/lib/python3.10/site-packages/ollama/_client.py:122, in Client._request_raw(self, *args, **kwargs)
    120   r.raise_for_status()
    121 except httpx.HTTPStatusError as e:
--> 122   raise ResponseError(e.response.text, e.response.status_code) from None
    123 return r

ResponseError: invalid digest format
STEP
ollama/_client.pyファイルを修正

UbuntuのコマンドラインからDockerコンテナ内にアクセスします。

docker exec -it <コンテナ名またはコンテナID> /bin/bash

Ollamaの「_client.py」ファイルを開きます。

nano .venv/lib/python3.10/site-packages/ollama/_client.py

nanoのエディターで、ファイル内のコードを検索をします。

「Ctrl + W」を押して、「Search:」欄にキーワードの「sha256:」を入力後、「Enter」を押すと対象の行が検索できます。

self._request_raw(‘POST’, f’/api/blobs/sha256:{digest}’, content=r)から、「sha256:」を削除します。

修正前のコード

    digest = f'sha256:{sha256sum.hexdigest()}'

    with open(path, 'rb') as r:
      self._request_raw('POST', f'/api/blobs/sha256:{digest}', content=r)

    return digest

修正後のコード

    digest = f'sha256:{sha256sum.hexdigest()}'

    with open(path, 'rb') as r:
      self._request_raw('POST', f'/api/blobs/{digest}', content=r)

    return digest

「Ctrl+S」で変更を保存して、「Ctrl+X」でnanoエディターを終了します。

STEP
ollama.createの再実行

コンテナを再起動して、再度ollama.createを実行します。

コマンド実行後にstatus=’success’の表示がされるとollamaのモデル設定が完了です。

import ollama

modelfile='''
FROM ./tokyotech-llm-Llama-3.1-Swallow-8B-Instruct-v0.1-Q4_K_M.gguf
TEMPLATE """{{ if .System }}<|start_header_id|>system<|end_header_id|>

{{ .System }}<|eot_id|>{{ end }}{{ if .Prompt }}<|start_header_id|>user<|end_header_id|>

{{ .Prompt }}<|eot_id|>{{ end }}<|start_header_id|>assistant<|end_header_id|>

{{ .Response }}<|eot_id|>"""
PARAMETER stop "<|start_header_id|>"
PARAMETER stop "<|end_header_id|>"
PARAMETER stop "<|eot_id|>"
PARAMETER stop "<|reserved_special_token"
'''

ollama.create(model='swallow3_1', modelfile=modelfile)

生成AI・LLMのコストでお困りなら

GPUのスペック不足で生成AIの開発が思うように進まないことはありませんか？

そんなときには、高性能なGPUをリーズナブルな価格で使えるGPUクラウドサービスがおすすめです！

GPUSOROBAN
GPUSOROBAN

GPUSOROBANは、高性能GPU「NVIDIA H200」を業界最安級の料金で使用することができます。

NVIDIA H200は、生成AI・LLMの計算にかかる時間を大幅に短縮することが可能です。

クラウドで使えるため、大規模な設備投資の必要がなく、煩雑なサーバー管理からも解放されます。

公式サイトをみる
資料ダウンロード
LLM・RAG
よかったらシェアしてね！
  • URLをコピーしました！
  • URLをコピーしました！
EdgeHUBロゴ

メールマガジン登録

Stable Diffusion・LLM・RAGに関する最新情報をいち早くお届けします。

無料メルマガの配信をご希望の方は、下記フォームよりご登録ください。

    EdgeHUB編集部からのお知らせ

    無料ウェビナーのお知らせ

    RAG進化のさらに先へ！自立型AIエージェント ウェビナー【12/25無料開催】

    RAG進化のさらに先へ！　大好評につきRAGシリーズ第3弾が開催決定！

    開催日時：
    2024年12月25日(水) 14:00～15:00

    内容：

    • RAGの精度を向上させる「自律型AIエージェント」のデモ
    • 生成AI開発の強い味方「GPUSOROBAN」の活用方法

    このウェビナーでは、オープンソース「LangGraph」で構築したAIエージェントの使い方や、デモを紹介します。

    生成AIに関心のある方、AI技術をビジネスに活かしたい方は、ぜひこの貴重な機会にご参加ください！

    こんな方におすすめ！

    • 自律型AIエージェントに興味がある方
    • RAGの高度化を検討しているエンジニアや開発者
    • 日本語のローカルLLMの利用を検討している方
    • GPUリソースに課題を感じている方

    ＼簡単1分で申し込み！／

    無料ウェビナーに参加

    この記事を書いた人

    EdgeHub編集部のアバター EdgeHub編集部

    EdgeHUBは、NVIDIAクラウドパートナーである株式会社ハイレゾが運営しています。「AIと共にある未来へ繋ぐ」をテーマに、画像生成AI、文章生成AI、動画生成AI、機械学習・LLM、Stable Diffusionなど、最先端の生成AI技術の使い方をわかりやすく紹介します。

    関連記事

    目次