• 用 LMDeploy 高效部署 Llama-3-8B，1.8倍vLLM推理效率

    节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学，针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。

    汇总合集

    《大模型面试宝典》(2024版) 发布！
    《大模型实战宝典》(2024版) 发布！

    Llama 3 近期重磅发布，发布了 8B 和 70B 参数量的模型，LMDeploy 对 Llama 3 部署进行了光速支持，同时对 LMDeploy 推理 Llama 3-8B 进行了测试，在公平比较的条件下推理效率是 vLLM 的 1.8 倍。

    本文将分为以下几个部分来介绍，如何使用 LMDeploy来部署 Llama 3（以 InternStudio 的环境为例）。

    • 环境、模型准备

    • LMDeploy Chat CLI 工具

    • LMDeploy 模型量化（lite）

    • LMDeploy 服务（serve）

    • LMDeploy Llama 3 推理测速

    • 使用 LMDeploy 运行视觉多模态大模型 Llava-Llama-3

    技术交流

    前沿技术资讯、算法交流、求职内推、算法竞赛、面试交流(校招、社招、实习)等、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企开发者互动交流~

    我们建了算法岗面试与技术交流群， 想要进交流群、需要源码&资料、提升技术的同学，可以直接加微信号：mlc2040。加的时候备注一下：研究方向 +学校/公司+CSDN，即可。然后就可以拉你进群了。

    方式①、微信搜索公众号：机器学习社区，后台回复：技术交流
    方式②、添加微信号：mlc2040，备注：技术交流+CSDN

    用通俗易懂的方式讲解系列

    1. 环境，模型准备

    1.1 环境配置

    # 如果你是 InternStudio 可以直接使用
# studio-conda -t lmdeploy -o pytorch-2.1.2
# 初始化环境
conda create -n lmdeploy python=3.10
conda activate lmdeploy
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    安装 LMDeploy 最新版

    pip install -U lmdeploy

    • 1

    1.2 Llama3 的下载

    安装 git-lfs 依赖

    conda install git
apt-get install git-lfs
git-lfs install

    • 1
    • 2
    • 3

    下载模型

    mkdir -p ~/model
cd ~/model
git clone https://code.openxlab.org.cn/MrCat/Llama-3-8B-Instruct.git Meta-Llama-3-8B-Instruct

    • 1
    • 2
    • 3

    或者软链接 InternStudio 中的模型

    mkdir -p ~/model
ln -s /root/share/new_models/meta-llama/Meta-Llama-3-8B-Instruct ~/model/Meta-Llama-3-8B-Instruct

    • 1
    • 2

    2. LMDeploy Chat CLI 工具

    直接在终端运行：

    conda activate lmdeploy
lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct

    • 1
    • 2

    3. LMDeploy 模型量化（lite）

    本部分内容主要介绍如何对模型进行量化。主要包括 W4A16 量化和 KV INT8、INT4 量化。

    3.1 设置最大 KV Cache 缓存大小

    模型在运行时，占用的显存可大致分为三部分：模型参数本身占用的显存、KV Cache 占用的显存，以及中间运算结果占用的显存。LMDeploy 的 KV Cache 管理器可以通过设置 --cache-max-entry-count 参数，控制 KV 缓存占用剩余显存的最大比例。默认的比例为 0.8。

    下面通过几个例子，来看一下调整 --cache-max-entry-count 参数的效果。首先保持不加该参数（默认0.8），运行 Llama3-8b 模型。

    lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct/

    • 1

    新建一个终端运行。

    # 如果你是InternStudio 就使用
# studio-smi
nvidia-smi

    • 1
    • 2
    • 3

    图片

    此时模型的占用为 33236M。下面，改变`–cache-max-entry-count`参数，设为 0.5。

    lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct/ --cache-max-entry-count 0.5

    • 1

    新建一个终端运行。

    # 如果你是InternStudio 就使用
# studio-smi
nvidia-smi

    • 1
    • 2
    • 3

    看到显存占用明显降低，变为 26708 M。

    下面来一波“极限”，把 --cache-max-entry-count 参数设置为 0.01，约等于禁止 KV Cache 占用显存。

    lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct/ --cache-max-entry-count 0.01

    • 1

    图片

    然后与模型对话，可以看到，此时显存占用仅为 16176M，代价是会降低模型推理速度。

    3.2 使用 W4A16 量化权重

    仅需执行一条命令，就可以完成模型量化工作。

    lmdeploy lite auto_awq \
   /root/model/Meta-Llama-3-8B-Instruct \
  --calib-dataset 'ptb' \
  --calib-samples 128 \
  --calib-seqlen 1024 \
  --w-bits 4 \
  --w-group-size 128 \
  --work-dir /root/model/Meta-Llama-3-8B-Instruct_4bit

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    运行时间较长，请耐心等待。量化工作结束后，新的 HF 模型被保存到 Meta-Llama-3-8B-Instruct_4bit 目录。下面使用 Chat 功能运行 W4A16 量化后的模型。

    lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct_4bit --model-format awq

    • 1

    为了更加明显体会到 W4A16 的作用，我们将 KV Cache 比例再次调为 0.01，查看显存占用情况。

    lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct_4bit --model-format awq --cache-max-entry-count 0.01

    • 1

    可以看到，显存占用变为 16176MB，明显降低。

    图片

    3.3 在线量化 KV

    自 v0.4.0 起，LMDeploy KV 量化方式有原来的离线改为在线。并且，支持两种数值精度 int4、int8。量化方式为 per-head per-token 的非对称量化。它具备以下优势：

    1. 量化不需要校准数据集。

    2. kv int8 量化精度几乎无损，kv int4 量化精度在可接受范围之内。

    3. 推理高效，在 llama2-7b 上加入 int8/int4 kv 量化，RPS 相较于 fp16 分别提升近 30% 和 40%。

    4. 支持 volta 架构（sm70）及以上的所有显卡型号：V100、20系列、T4、30系列、40系列、A10、A100 等等。

    通过 LMDeploy 应用 kv 量化非常简单，只需要设定 quant_policy 参数。LMDeploy 规定 qant_policy=4表示 kv int4 量化，quant_policy=8 表示 kv int8 量化。

    4. LMDeploy服务（serve）

    在前面的章节，我们都是在本地直接推理大模型，这种方式成为本地部署。在生产环境下，我们有时会将大模型封装为 API 接口服务，供客户端访问。

    4.1 启动 API 服务器

    通过以下命令启动 API 服务器，推理 Meta-Llama-3-8B-Instruct 模型：

    lmdeploy serve api_server \
    /root/model/Meta-Llama-3-8B-Instruct \
    --model-format hf \
    --quant-policy 0 \
    --server-name 0.0.0.0 \
    --server-port 23333 \
    --tp 1

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7

    其中，model-format、quant-policy 这些参数是与第三章中量化推理模型一致的；server-name 和 server-port 表示 AP I服务器的服务 IP 与服务端口；tp 参数表示并行数量（GPU 数量）。

    通过运行以上指令，我们成功启动了 API 服务器，请勿关闭该窗口，后面我们要新建客户端连接该服务。

    你也可以直接打开 http://{host}:23333 查看接口的具体使用说明，如下图所示。

    图片

    注意，这一步由于 Server 在远程服务器上，所以本地需要做一下 ssh 转发才能直接访问。在你本地打开一个 cmd 窗口，输入命令如下：

    ssh -CNg -L 23333:127.0.0.1:23333 root@ssh.intern-ai.org.cn -p 你的ssh端口号

    • 1

    ssh 端口号就是下面图片里的 39864，请替换为你自己的。

    图片

    然后打开浏览器，访问 http://127.0.0.1:23333。

    4.2 命令行客户端连接 API 服务器

    在“4.1”中，我们在终端里新开了一个 API 服务器。

    本节中，我们要新建一个命令行客户端去连接 API 服务器。首先通过 VS Code 新建一个终端。

    激活 conda 环境：

    conda activate lmdeploy

    • 1

    运行命令行客户端：

    lmdeploy serve api_client http://localhost:23333

    • 1

    运行后，可以通过命令行窗口直接与模型对话。

    4.3 网页客户端连接 API 服务器

    关闭刚刚的 VSCode 终端，但服务器端的终端不要关闭。

    运行之前确保自己的 gradio 版本低于 4.0.0。

    pip install gradio==3.50.2

    • 1

    新建一个 VSCode 终端，激活 conda 环境。

    conda activate lmdeploy

    • 1

    使用 Gradio 作为前端，启动网页客户端。

    lmdeploy serve gradio http://localhost:23333 \
    --server-name 0.0.0.0 \
    --server-port 6006

    • 1
    • 2
    • 3

    打开浏览器，访问地址 http://127.0.0.1:6006

    然后就可以与模型进行对话了！

    拓展部分

    5. LMDeploy Llama3 推理测速

    使用 LMDeploy 在 A100（80G）推理 Llama-3-8B-Instruct，每秒请求处理数（RPS）高达 25，是 vLLM 推理效率的 1.8+ 倍。

    它的 benchmark 方式如下：

    克隆仓库

    cd ~
git clone https://github.com/Shengshenlan/Llama3-XTuner-CN.git

    • 1
    • 2

    下载测试数据

    cd /root/lmdeploy
wget https://hf-mirror.com/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json

    • 1
    • 2

    执行 benchmark 命令（如果你的显存较小，可以调低 --cache-max-entry-count）

    python benchmark/profile_throughput.py \
    ShareGPT_V3_unfiltered_cleaned_split.json \
    /root/model/Meta-Llama-3-8B-Instruct \
    --cache-max-entry-count 0.95 \
    --concurrency 256 \
    --model-format hf \
    --quant-policy 0 \
    --num-prompts 10000

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    结果是：

    concurrency: 256
elapsed_time: 399.739s

first token latency(s)(min, max, ave): 0.068, 4.066, 0.285
per-token latency(s) percentile(50, 75, 95, 99): [0, 0.094, 0.169, 0.227]

number of prompt tokens: 2238364
number of completion tokens: 2005448
token throughput (completion token): 5016.892 token/s
token throughput (prompt + completion token): 10616.453 token/s
RPS (request per second): 25.016 req/s
RPM (request per minute): 1500.979 req/min

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    6. 使用 LMDeploy

    运行视觉多模态大模型

    Llava-Llama-3

    6.1 安装依赖

    pip install git+https://github.com/haotian-liu/LLaVA.git

    • 1

    6.2 运行模型

    运行 touch /root/pipeline_llava.py 新建一个文件夹，复制下列代码进去：

    from lmdeploy import pipeline, ChatTemplateConfig
from lmdeploy.vl import load_image
pipe = pipeline('xtuner/llava-llama-3-8b-v1_1-hf',
                chat_template_config=ChatTemplateConfig(model_name='llama3'))

image = load_image('https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/tests/data/tiger.jpeg')
response = pipe(('describe this image', image))
print(response.text)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    运行结果为：

    图片

  • 相关阅读:
    Python中pupl的基础操作
    图像识别学习笔记
    Docker12:Docker网络
    GD32（5）文件系统
    201 -202.MySQL的数据类型
    向量空间的封闭性
    burp+IE 微信小程序抓包教程
    力扣刷题(代码回忆录)——动态规划
    曼哈顿距离和切比雪夫距离的转换
    数据结构学习笔记（五）——查找
  • 原文地址：https://blog.csdn.net/m0_59596990/article/details/138171255