LMDeploy 量化部署 LLM-VLM 实践——作业

详细视频：LMDeploy 量化部署 LLM-VLM 实践
详细文档：看这里

一、 基础作业

1.1、配置 LMDeploy 运行环境

studio-conda -t lmdeploy -o pytorch-2.1.2

conda activate lmdeploy

pip install lmdeploy[all]==0.3.0

1.2、以命令行方式与 InternLM2-Chat-1.8B 模型对话

lmdeploy chat /root/internlm2-chat-1_8b

在这里也比较了下使用 Transformer 运行模型和用 LMDeploy直接推理的速度。

可以看到，LMDeploy 的推理速度是 Transformer库 的 6.74 倍！差别还是很大的。

二、进阶作业

2.1、设置 KV Cache 最大占用比例为0.4，开启 W4A16 量化，以命令行方式与模型对话

2.1.1、初始显存占用情况

2.1.2、KV Cache == 0.4

可以看到，设置 KV Cache == 0.4 后，显存占用一下子减少了约 35%，提升是非常明显的。

2.1.3、开启 W4A16 量化

这个地方，按理来说，显存占用应该会降低很多的，但不知道为什么我运行下来以后提升只有一点点。

2.1.4、 KV Cache == 0.4 + W4A16 量化

在双重加持下，显存占用率也是下降到了 50% 以下，效果显著。

2.2、以 API Server 方式启动 lmdeploy，开启 W4A16 量化，调整 KV Cache 的占用比例为0.4，分别使用命令行客户端与 Gradio 网页客户端与模型对话

2.2.1、命令行客户端

2.2.2、Gradio 网页客户端

2.3、使用 W4A16 量化，调整 KV Cache 的占用比例为 0.4，使用 Python 代码集成的方式运行 internlm2-chat-1.8b 模型

2.4、使用 LMDeploy 运行视觉多模态大模型 llava gradio demo

这里要分析的图片长这样：

• 安装 llava 依赖库
  

• 创建 pipeline 文件
  

• 运行结果
  
  可以看到，这里的英文回答对图片的分析还是比较清楚的。

• 使用中文提问
  

• 运行结果
  
  好一个 ☞ 🐅 → 🦅 ，虽然在括号里有说明这可能是一只老虎，但全篇回答以老鹰描述还是架不住，只能说 Llava 模型对中文的支持性还是比较低。

• 用中文拼英提问
  

• 运行结果
  
  出人意料的是，用中文拼英提问，得到的回答还可以，虽然不如前两次提问时回答的详细，但这次能肯定的回答这是只老虎，还是比直接用中文好上不少的。难道说拼英介于中文和英文？

2.5、将 LMDeploy Web Demo 部署到 OpenXLab