第五节课笔记

模型部署 定义 产品形态 计算设备

大模型特点 内存开销大 动态shape 结构简单

部署挑战 设备存储 推理速度 服务质量

部署方案：技术点 （模型并行 transformer计算和访存优化 低比特量化 Continuous Batch Page Attention）方案（云端 移动端）

LMDeploy： 云端部署

接口： python gRPC RESTful

轻量化 推理引擎 服务（api server gradio triton inference server）

无缝对接open compass

推理性能 静态vs动态

核心功能 量化FP16 Int4-8

模型显存优化明显（24GB显存 4倍提升）

计算密集 访存密集（大模型一般是访存密集）

推理引擎 TurboMind

持续批处理 有状态的推理 高性能cuda kernel Blocked k/v cache分块缓存

持续批处理 请求队列+Persistent线程

有状态的推理 推理测的缓存

分块的k/v缓存 历史缓存

高性能cuda kernel

Flash Attention2

Split-k decoding

Fast w4a16, kv8

算子融合

推理服务api server