LLM的7种推理框架

我们如何在本地安全地运行私有的LLMs呢？开源模型为此提供了可能的解决方案。本文将介绍七种方法。

1. Hugging Face的transformers

   这是一个Python库，可以简化本地运行LLM的过程。

Transformers的优点：

• 自动模型下载
• 提供代码片段
• 非常适合实验和学习

Transformers的缺点：

• 需要对ML和NLP有深入了解
• 需要编码和配置技能

2.Llama.cpp：

特点：Llama.cpp是一个基于C++的推理引擎，专门为Apple Silicon优化，可以运行Meta的Llama2模型。它针对GPU和CPU都做了推理优化。

优点：性能高于基于Python的解决方案，支持在适度的硬件上运行大型模型，如Llama 7B，并提供绑定，可以用其他语言构建AI应用程序，同时通过Llama.cpp运行推理。

缺点：模型支持有限，需要构建工具。

使用场景：当你需要在自己的硬件上运行大型模型，或者需要用其他语言构建AI应用程序时，可以选择使用Llama.cpp。

3.Llamafile：

特点：Llamafile由Mozilla开发，基于C++开发,它使用了llama.cpp，这是一个C++库，提供了运行自托管大型语言模型（LLMs）所需的各种功能。通过llama.cpp，开发人员可以轻松地创建、加载和运行LLM模型，而无需担心底层环境的复杂性。此外，Llamafile还提供了一个简洁的API接口，使得开发人员可以更加方便地与LLM进行交互，从而实现各种复杂的应用场景.

优点：与Llama.cpp相同的速度优势，你可以构建一个嵌入模型的单个可执行文件。

缺点：项目仍处于早期阶段，不是所有模型都支持，只支持Llama.cpp支持的模型。

使用场景：当你需要创建一个嵌入模型的单个可执行文件，或者需要一个便携性强的工具时，可以选择使用Llamafile。

4.Ollama：

特点：Ollama是Llama.cpp和Llamafile的一个更加用户友好的替代品。你下载一个可执行文件，它会在你的机器上安装一个服务。安装完成后，你打开一个终端并运行。

优点：易于安装和使用，可以运行llama和vicuña模型，运行速度非常快。

缺点：提供有限的模型库，自己管理模型，你不能重用自己的模型，无法调整选项来运行LLM，暂时没有Windows版本。

使用场景：当你需要一个易于安装和使用的工具，或者需要运行llama和vicuña模型时，可以选择使用Ollama。

5：vLLM

vLLM是一个高吞吐量和内存高效的大型语言模型(LLMs)推理和服务引擎。它的目标是为每个人提供简便、快捷、经济的LLM服务。

优点

• 高效的服务吞吐量：vLLM可以快速处理大量的并发请求。
• 支持模型种类多。
• 内存高效：vLLM使用了一种名为PagedAttention的技术，可以高效地管理注意力键和值的内存。

缺点

• 你需要确保你的设备有GPU，CUDA或者RoCm.

vLLM会提供对Phi-3的支持，目前代码在集成中。

6.TGI（Text Generation Inference）

TGI（Text Generation Inference）是HuggingFace推出的大模型推理部署框架。它支持主流大模型和主流大模型量化方案，并且联用Rust和Python来达到服务效率和业务灵活性的平衡。TGI实现了许多特性，例如：

• 简单的启动LLM

• 使用Flash Attention和Paged Attention进行推理的优化的transformers代码

• 使用bitsandbytes GPT-Q EETQ AWQ Safetensors进行量化

Text Generation Inference（TGI）和Transformer模型的推理方式有一些区别，主要体现在以下几个方面：

• 并行计算：TGI和Transformer都支持并行计算，但TGI更进一步，它使用了Rust和Python联用的方式，实现了服务效率和业务灵活性的平衡。这使得TGI在处理大型语言模型时，能够更有效地利用计算资源，提高推理效率。
• 优化技巧：TGI引入了一些优化技巧，如continuous batching、Flash Attention和Paged Attention等，这些技巧可以进一步提高推理的效率和性能1。而传统的Transformer模型可能没有这些优化技巧。
• 模型支持：TGI支持部署GPTQ模型服务，这使得我们可以在单卡上部署拥有continuous batching功能的，更大的模型。而传统的Transformer模型可能没有这样的支持。

然而，虽然TGI在某些方面可能比传统的Transformer推理更优秀，但这并不意味着我们就不需要使用Transformer的推理了。因为在某些情况下，例如当我们需要处理的任务或数据与TGI的优化技巧不匹配时，使用传统的Transformer推理可能会更合适。目前测试效果TGI的推理速度不如vLLM。

TGI推理支持容器方式运行：

7.Deepspeed

DeepSpeed支持本地推理。DeepSpeed是微软推出的一个开源深度学习优化库，它通过系统优化和压缩的方法，深度优化硬件设备、操作系统、框架等方面，并采用模型压缩和数据压缩技术，以提升大规模模型推理和训练的效率。

DeepSpeed-Inference是DeepSpeed框架在推理方面的扩展，专门针对大语言模型设计。它通过模型并行、张量并行和流水线并行等技术，提高了推理性能并降低了延迟。

推理框架的选择（选择之前先确认要使用的模型是否支持这种推理框架）：

DeepSpeed：如果你的任务需要高性能的推理，那么DeepSpeed可能是一个好选择。DeepSpeed提供了一系列优化技术，如ZeRO（零冗余优化器），3D并行（数据并行、模型并行和流水线并行的结合），1比特Adam等，这些技术可以显著提升大模型训练和推理的效率。

ollama：如果你需要一个易于使用的工具，那么ollama可能更适合你。ollama的主要优点在于其易用性，用户可以通过简单的命令行界面运行模型。

Llamafile：如果你需要创建一个嵌入模型的单个可执行文件，那么Llamafile可能是一个好选择。Llamafile以其便携性和创建单文件可执行文件的能力而闻名。

TGI (Text Generation Inference)：如果你的任务需要在多种硬件环境下进行高效推理，那么TGI可能是一个好选择。TGI提供了一系列优化技术，如模型并行、张量并行和流水线并行等，这些技术可以显著提升大模型推理的效率。

Transformer：如果你的任务需要处理复杂的自然语言处理任务，如机器翻译、文本生成等，那么使用基于Transformer的模型可能是一个好选择。Transformer模型具有强大的表示能力，可以捕获文本中的长距离依赖关系。

vLLM：如果你的任务需要处理大规模的自然语言处理任务，如文本分类、情感分析等，那么使用vLLM可能是一个好选择。vLLM是一个大规模的预训练模型，可以在各种自然语言处理任务上实现优秀的性能。

​

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI大模型视频教程

三、AI大模型各大学习书籍

四、AI大模型各大场景实战案例

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。

本文转自 https://blog.csdn.net/python122_/article/details/140838575?spm=1001.2014.3001.5501，如有侵权，请联系删除。