【LLM之基座】qwen 14b-4int 部署踩坑

由于卡只有24G，qwen14b 原生需要 30GB，按照官方团队的说法，他们用的量化方案是基于AutoGPTQ的，而且根据评测，量化之后的模型效果在几乎没有损失的情况下，显存降低到13GB，妥妥穷狗福音，说干就干。

下载模型

现在huggingface只能通过科学的方式访问，而且如果一个个手动下载hin麻烦，还好阿里的魔搭做的不错，上面也有很多开源的中文模型，所以更推荐使用魔搭进行下载，速度杠杠的，最高可以达到73.6MB/s，等个几分钟就下完了：

pip install modelscope

from modelscope.hub.snapshot_download import snapshot_download
model_dir = snapshot_download('qwen/Qwen-14B-Chat-Int4', 
                              cache_dir='model', 
                              revision='master')

安装依赖包

比起原生的14b模型，这里需要安装相应的量化包auto-gptq和optimum，这两包安装不麻烦，但要版本对，不然就会报很多奇奇怪怪的错误，笔者在安装过程中就碰到过如下报错：

ModuleNotFoundError: No module named 'optimum.gptq'
exllama_kernels not installed.

其实就是包的版本要套上，笔者最终实验成功的版本答案如下：

torch                          2.0.1+cu117
auto-gptq                      0.4.2
transformers                   4.33.3
optimum                        1.12.0

如果想要推理更快一点，也可以安装flash_attn，不过这个安装也有挺多坑的，要看cuda驱动，torch版本，用pip安装容易报错，推荐直接去安装预编译的whl包，地址在GitHub上：https://github.com/Dao-AILab/flash-attention/releases

不过装完之后，还是报了个找不到包的警告，说明我们还没有完全安装成功：

import flash_attn rotary fail
import flash_attn rms_norm fail

去git上把源码clone下来，然后去对应的文件下安装好，这个编译过程有点长，特别是安装layer_norm的时候，笔者卡了大概个把小时，看issue上说cuda118会快很多，笔者环境是cuda117，真的3Q了，可以先去喝杯咖啡：

cd rotary/
pip install .

cd layer_norm
pip install .

成功安装之后，大概可以将推理速度缩短到原来的1/3，所以有耐心的还是推荐去安装一下。

推理

from transformers import AutoModelForCausalLM, AutoTokenizer

model_dir = "model/qwen/Qwen-14B-Chat-Int4"
# Note: The default behavior now has injection attack prevention off.
tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)

model = AutoModelForCausalLM.from_pretrained(
    model_dir,
    device_map="auto",
    trust_remote_code=True
).eval()

response, history = model.chat(tokenizer, "你是谁", history=None)
print(response)

以上，就搞定Qwen-14B-Chat-Int4的推理部署了。

flash_attn 未生效前：

flash_attn 生效后：