使用vllm部署自己的大模型

1. 引言

使用vllm能够部署一个非常方便使用的大模型的后端，供webui前端使用，它不仅能够加速模型的推理过程，包括支持fast-attn库，而且还具有很友好的openai风格的api调用功能。

2. 安装Vllm

vllm还是有一定的安装需求，根据官方文档，使用如下进行安装。

# (Recommended) Create a new conda environment.
conda create -n myenv python=3.9 -y
conda activate myenv

# Install vLLM with CUDA 12.1.
pip install vllm

这里没有提及fast-attn的使用，如果没有安装默认使用的是XFormers的backend,建议有条件的话可以通过以下命令再安装一下fast-attn。

pip install flash-attn

3. 部署模型

首先我们需要下载需要的模型，如果不下载的话，默认的模型会从huggingface的模型库中下载。这里我们本地模型的地址是/data/nlp/models/llama3_7b_instruct。那么只需要执行以下代码。

CUDA_VISIBLE_DEVICES=0 nohup python -m vllm.entrypoints.openai.api_server --model /data/nlp/models/llama3_8b_instruct --served-model-name llama3_8b_instruct --dtype=half > vllm_test.out &

这里served-model-name指的是模型加载到api接口后的模型名（当然你可以将其改为gpt-3.5 turbo，让llama3来代替gpt-3.5节省成本），后面dtype=half是半精度加载。不过vllm已经充分考虑了显存大小进行一个合适的加载了。以llama3_8b_instruct为例，长度默认是4096，加载后显存占用22G，它会预先占用好显存。这里默认的端口是8000，也可以通过--port更改访问端口。

当命令行显式出INFO 04-26 13:08:05 selector.py:28] Using FlashAttention backend.或者INFO 04-26 10:05:08 selector.py:33] Using XFormers backend.的时候，就证明启动成功了。

关于vllm的参数详细介绍，可以参考其参数解读。

4. 调用模型

调用模型可以通过curl或者python代码调用，风格是和openai的api一样的。

curl http://localhost:8000/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "llama3_8b_instruct",
        "messages": [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "Who won the world series in 2020?"}
        ]
    }'
或者
```python
from openai import OpenAI
# Set OpenAI's API key and API base to use vLLM's API server.
openai_api_key = "EMPTY"
openai_api_base = "http://localhost:8000/v1"

client = OpenAI(
    api_key=openai_api_key,
    base_url=openai_api_base,
)

chat_response = client.chat.completions.create(
    model="llama3_8b_instruct",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Tell me a joke."},
    ]
)
print("Chat response:", chat_response)

更多的使用，可以参见它的官方文档或者github用于二次改造，比如它的templete的自定义等。

当然，也有很多其他的推理框架，比如，OpenLLM，DeepSpeed等，可以看一下推理框架对比。