使用vLLM加速大模型推理
所有文档
menu

百舸异构计算平台 AIHC

使用vLLM加速大模型推理


vLLM(Vectorized Large Language Model)是一个高性能的大型语言模型推理库,支持多种模型格式和后端加速,适用于大规模语言模型的推理服务部署。

准备环境和资源

可根据资源规模、稳定性、灵活性等要求按需准备轻量计算实例或通用计算资源池,用于快速部署vLLM。

1.png

安装vLLM

  1. 在 工具市场>模版市场 中选择 vLLM 模版,点击 部署工具 按钮;
  2. 根据需要部署的模型参数量,选择使用卡数量,至少需要选择1张卡,点击 确定 启动服工具。

准备模型数据

模型默认从huggingface下载,如果您在 Hugging Face 模型和数据集的下载中遇到了问题,可以设置环境变量VLLM_USE_MODELSCOPE=True,使模型默认从modelScope下载

export VLLM_USE_MODELSCOPE=True

通过更换镜像源下载

pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple
用法:
import os
from modelscope import snapshot_download
# cache_dir 指定你的保存模型的路径
model_dir = snapshot_download('shakechen/Llama-2-7b-hf',cache_dir="/home/rd/fanjikang/model")

通过git下载

安装并初始化 git-lfs
apt install git-lfs -y
git lfs install
用法:
git lfs clone https://www.modelscope.cn/qwen/Qwen1.5-1.8B-Chat.git

部署推理服务

离线推理服务

我们首先展示了一个使用vLLM对数据集进行离线批处理推理的示例。我们使用vLLM为输入提示列表生成文本,从vLLM导入LLM和采样参数。LLM类是使用vLLM引擎运行离线推理的主要类,SamplingParams类指定采样过程的参数。

from vllm import LLM, SamplingParams

定义输入提示列表和用于生成的采样参数。采样温度设置为0.8,核采样概率设置为0.95。有关采样参数的更多信息,请参阅类定义。

# 载入 LLM 和 SamplingParams
from vllm import LLM, SamplingParams
# 推理数据以List[str]格式组织
prompts = ["Hello, my name is","The president of the United States is","The capital of France is","The future of AI is",]
# 设置采样参数
sampling_params = SamplingParams(temperature=0.8,top_p=0.95)
# 加载模型
llm = LLM(model="/root/vllm/models/Qwen1.5-1.8B-Chat")
# 执行推理
outputs=llm.generate(prompts,sampling_params)
# 输出推理结果
for output in outputs:
    prompt=output.prompt
    generated_text=output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

成功返回结果如下:

2.png

在线推理服务

在线推理有两种接口,OpenAI兼容接口vLLM接口,官方推荐使用OpenAI兼容接口作为生产力接口。

OpenAI Completions API

启动server

启动单卡server: 其他可配置参数参考附件,命令中传入LLM类的参数用于设置模型载入方式

python -m vllm.entrypoints.openai.api_server \
--model /root/vllm/models/Qwen1.5-1.8B-Chat \
--served-model-name qwen \
--host 0.0.0.0 \
--port 8000

启动多卡server:(启动容器时要挂在多卡,例如两卡)

python -m vllm.entrypoints.openai.api_server \
--model /root/vllm/models/Qwen1.5-1.8B-Chat \
--served-model-name qwen \
--host 0.0.0.0 \
--port 8000 \
--tensor-parallel-size 2

多卡服务运行时,发送下面的http请求,通过watch nvidia-smi命令监控gpu,可以看到多张卡都被使用了。

3.png

发送请求

当前示例容器内端口8000已经在容器启动时映射到了宿主机的8028,所以外部通过使用宿主机绑定公网ip的8028端口进行访问。 API中可以传入SamplingParam的参数设置采样方式。

curl  http://120.48.131.39:8028/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "qwen",
"messages": [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Who won the world series in 2020?"}
]
}'

成功返回结果如下:

4.png

OpenAI Chat API

启动server

启动单卡server: 其他可配置参数参考附件,命令中传入LLM类的参数用于设置模型载入方式

python -m vllm.entrypoints.openai.api_server \
--model/root/vllm/models/Qwen1/5-1/8b-Chat \
--served-model-name qwen \
--host 0.0.0.0 \
--port 8000
 #--chat-template ./examples/template_chatml.jinja  目前并没有内置聊天模板文件,可自行到官网下载使用:https://github.com/vllm-project/vllm/tree/main/examples
发送请求

当前示例容器内端口8000已经在容器启动时映射到了宿主机的8028,所以外部通过使用宿主机绑定公网ip的8028端口进行访问。 API中可以传入SamplingParam的参数设置采样方式。

curl http://120.48.131.39:8028/v1/completions \
-H "Content-Type: application/json" \
-d '{
"model": "qwen",
"prompt": "San Francisco is a",
"max_tokens": 7,
"temperature": 0
}'

成功返回结果如下:

5.png

其他发送请求方式

使用python发送请求

from openai import OpenAI

# Modify OpenAI's API key and API base to use vLLM's API server.
openai_api_key = "EMPTY"
openai_api_base = "http://120.48.131.39:8028/v1"
client = OpenAI(
    api_key=openai_api_key,
    base_url=openai_api_base,
)
chat_response = client.chat.completions.create(
    model="qwen",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Tell me a joke."},
    ]
)
print(chat_response)

成功返回结果如下:

image.png

附录参数列表

server参数:

参数名 含义 备注
–model <model_name_or_path> 要使用的huggingface模型的名称或路径。
–tokenizer <tokenizer_name_or_path> 要使用的huggingface tokenizer的名称或路径
–revision 要使用的特定模型版本。它可以是一个分支名,一个标签名,或者一个提交id。如果未指定,将使用默认版本
–tokenizer-revision 要使用的特定tokenizer版本。它可以是一个分支名,一个标签名,或者一个提交id。如果未指定,将使用默认版本。
–tokenizer-mode {auto,slow} tokenizer模式。 “auto”将在可用的情况下使用快速tokenizer。
“slow”将始终使用慢速tokenizer。
–trust-remote-code 信任来自huggingface的远程代码。
–download-dir 下载和加载权重的目录,默认为huggingface的默认缓存目录。
–load-format {auto,pt,safetensors,npcache,dummy} 要加载的模型权重的格式。 “auto”将尝试以safetensors格式加载权重,如果safetensors格式不可用,则回退到pytorch bin格式。
“pt”将以pytorch bin格式加载权重。
“safetensors”将以safetensors格式加载权重。
“npcache”将以pytorch格式加载权重并存储一个numpy缓存以加速加载。
“dummy”将用随机值初始化权重,主要用于性能分析。
–dtype {auto,half,float16,bfloat16,float,float32} 模型权重和激活的数据类型 “auto”将为FP32和FP16模型使用FP16精度,为BF16模型使用BF16精度。
“half”用于FP16。推荐用于AWQ量化。
“float16”与“half”相同。
“bfloat16”在精度和范围之间取得平衡。
“float”是FP32精度的简写。
“float32”用于FP32精度。
–max-model-len 模型上下文长度。如果未指定,将自动从模型配置中推导。
–worker-use-ray 使用Ray进行分布式服务,当使用超过1个GPU时将自动设置。
–pipeline-parallel-size (-pp) 管道阶段的数量。
–tensor-parallel-size (-tp) 张量并行副本的数量。
–max-parallel-loading-workers 以多个批次顺序加载模型,以避免在使用张量并行和大型模型时出现RAM OOM。
–block-size {8,16,32} 连续token块的token块大小。
–enable-prefix-caching 启用自动前缀缓存
–seed 操作的随机种子。
–swap-space 每个GPU的CPU交换空间大小(GiB)
–gpu-memory-utilization 用于模型执行器的GPU内存的分数,范围可以从0到1。例如,0.5的值意味着50%的GPU内存利用率。如果未指定,将使用默认值0.9。
–max-num-batched-tokens 每次迭代的批处理token的最大数量
–max-num-seqs 每次迭代的序列的最大数量。
–max-paddings 一批中的最大填充数量。
–disable-log-stats 禁用日志统计。
–quantization (-q) {awq,squeezellm,None} 用于量化权重的方法。
上一篇
使用Ollama部署大语言模型
下一篇
使用DataEnhance扩展数据集