devbox
笔触狂放9
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

LMDeploy高效部署Llama-3-8B，1.8倍vLLM推理效率_llama8b 量化

作者：笔触狂放9 | 2024-05-16 08:20:32

赞

踩

llama8b 量化

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 进行了测试，在公平比较的条件下推理效率是 vLLM 的 1.8 倍。

书生·浦语和机智流社区同学光速投稿了 LMDeploy 高效量化部署 Llama 3，欢迎 Star。

https://github.com/internLM/LMDeploy

https://github.com/SmartFlowAI/Llama3-Tutorial/

本文将分为以下几个部分来介绍，如何使用LMDeploy来部署 Llama3（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 Llama3 推理测速

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

1.环境、模型准备

1.1 环境配置

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

安装 LMDeploy 最新版

pip install -U lmdeploy

1.2 Llama3 的下载

安装 git-lfs 依赖

  1. conda install git
  2. apt-get install git-lfs
  3. git-lfs install

下载模型

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

或者软链接 InternStudio 中的模型

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

2. LMDeploy Chat CLI 工具

直接在终端运行

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

运行结果是：

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/

新建一个终端运行

  1. # 如果你是InternStudio 就使用
  2. # studio-smi
  3. nvidia-smi

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

新建一个终端运行。

  1. # 如果你是InternStudio 就使用
  2. # studio-smi
  3. nvidia-smi

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

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。

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

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

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

可以看到，显存占用变为 16176MB，明显降低。

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：

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

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。

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

ssh 端口号就是下面图片里的 39864，请替换为你自己的。

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

运行命令行客户端：

lmdeploy serve api_client http://localhost:23333

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

新建一个 VSCode 终端，激活 conda 环境。

conda activate lmdeploy

使用 Gradio 作为前端，启动网页客户端。

  1. lmdeploy serve gradio http://localhost:23333 \
  2.     --server-name 0.0.0.0 \
  3.     --server-port 6006

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 Llama3，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

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

  • 下载测试数据

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

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

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

结果是：

  1. concurrency: 256
  2. elapsed_time: 399.739s
  3.  
  4. first token latency(s)(min, max, ave): 0.068, 4.066, 0.285
  5. per-token latency(s) percentile(50, 75, 95, 99): [0, 0.094, 0.169, 0.227]
  6.  
  7. number of prompt tokens: 2238364
  8. number of completion tokens: 2005448
  9. token throughput (completion token): 5016.892 token/s
  10. token throughput (prompt + completion token): 10616.453 token/s
  11. RPS (request per second): 25.016 req/s
  12. RPM (request per minute): 1500.979 req/min

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
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

  1. from lmdeploy import pipeline, ChatTemplateConfig
  2. from lmdeploy.vl import load_image
  3. pipe = pipeline('xtuner/llava-llama-3-8b-v1_1-hf',
  4.                 chat_template_config=ChatTemplateConfig(model_name='llama3'))
  5.  
  6. image = load_image('https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/tests/data/tiger.jpeg')
  7. response = pipe(('describe this image', image))
  8. print(response.text)

运行结果为：

你可以在 https://huggingface.co/xtuner/llava-llama-3-8b-v1_1-hf 找到更多细节

教程如有误请访问获取最新内容：

https://github.com/SmartFlowAI/Llama3-Tutorial/

LMDeploy仓库：https://github.com/InternLM/lmdeploy.git

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/笔触狂放9/article/detail/577705
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号