1 配置LMDeploy环境
点选开发机,自拟一个开发机名称,选择Cuda12.2-conda镜像。
我们要运行参数量为7B的InternLM2.5,由InternLM2.5的码仓查询InternLM2.5-7b-chat的config.json文件可知,该模型的权重被存储为bfloat16
格式
对于一个7B(70亿)参数的模型,每个参数使用16位浮点数(等于 2个 Byte)表示,则模型的权重大小约为:
7×10^9 parameters×2 Bytes/parameter=14GB
70亿个参数×每个参数占用2个字节=14GB
所以我们需要大于14GB的显存,选择 30%A100*1(24GB显存容量),后选择立即创建,等状态栏变成运行中,点击进入开发机,我们即可开始部署。
在终端中,让我们输入以下指令,来创建一个名为lmdeploy的conda环境,python版本为3.10,创建成功后激活环境并安装0.5.3版本的lmdeploy及相关包。
conda create -n lmdeploy python=3.10 -y
conda activate lmdeploy
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia -y
pip install timm==1.0.8 openai==1.40.3 lmdeploy[all]==0.5.3
1.2 InternStudio环境获取模型
为方便文件管理,我们需要一个存放模型的目录,本教程统一放置在/root/models/
目录。
运行以下命令,创建文件夹并设置开发机共享目录的软链接。
mkdir /root/models
ln -s /root/share/new_models//Shanghai_AI_Laboratory/internlm2_5-7b-chat /root/models
ln -s /root/share/new_models/OpenGVLab/InternVL2-26B /root/models
此时,我们可以看到/root/models
中会出现internlm2_5-7b-chat
和InternVL2-26B
文件夹。
1.3 LMDeploy验证启动模型文件
在量化工作正式开始前,我们还需要验证一下获取的模型文件能否正常工作,以免竹篮打水一场空。
让我们进入创建好的conda环境并启动InternLM2_5-7b-chat!
conda activate lmdeploy
lmdeploy chat /root/models/internlm2_5-7b-chat
此时,我们可以在CLI(“命令行界面” Command Line Interface的缩写)中和InternLM2.5尽情对话了,注意输入内容完成后需要按两次回车才能够执行,以下为示例。
提问时,资源占用情况:
这里用的是80GB的显卡,即A100,权重占用14GB,剩余显存80-14=66GB,因此kv cache占用66GB*0.8=52.8GB,加上原来的权重14GB,总共占用66.8GB。
实际加载模型后,其他项也会占用部分显存,因此剩余显存比理论偏低,实际占用会略高于66.8GB。
2 LMDeploy与InternLM2.5
2.1 LMDeploy API部署InternLM2.5
在上一章节,我们直接在本地部署InternLM2.5。而在实际应用中,我们有时会将大模型封装为API接口服务,供客户端访问。
2.1.1 启动API服务器
首先让我们进入创建好的conda环境,并通下命令启动API服务器,部署InternLM2.5模型:
conda activate lmdeploy
lmdeploy serve api_server \
/root/models/internlm2_5-7b-chat \
--model-format hf \
--quant-policy 0 \
--server-name 0.0.0.0 \
--server-port 23333 \
--tp 1
命令解释:
lmdeploy serve api_server
:这个命令用于启动API服务器。/root/models/internlm2_5-7b-chat
:这是模型的路径。--model-format hf
:这个参数指定了模型的格式。hf
代表“Hugging Face”格式。--quant-policy 0
:这个参数指定了量化策略。--server-name 0.0.0.0
:这个参数指定了服务器的名称。在这里,0.0.0.0
是一个特殊的IP地址,它表示所有网络接口。--server-port 23333
:这个参数指定了服务器的端口号。在这里,23333
是服务器将监听的端口号。--tp 1
:这个参数表示并行数量(GPU数量)。
稍后可以看到启动成功:
通过ssh隧道开启本地端口,访问页面。
2.1.2 以命令行形式连接API服务器
关闭http://127.0.0.1:23333
网页,但保持终端和本地窗口不动,用SSH终端重新连接开发机。
运行如下命令,激活conda环境并启动命令行客户端。
conda activate lmdeploy lmdeploy serve api_client http://localhost:23333
稍待片刻,等出现double enter to end input >>>
的输入提示即启动成功,此时便可以随意与InternLM2.5对话,同样是两下回车确定,输入exit
退出。
2.1.3 以Gradio网页形式连接API服务器
保持第一个终端不动,在新建终端中输入exit
退出。
输入以下命令,使用Gradio作为前端,启动网页。
lmdeploy serve gradio http://localhost:23333 \ --server-name 0.0.0.0 \ --server-port 6006
当然,6006端口也要通过SSH隧道映射到本地,稍待片刻,等终端如下图所示便保持两个终端不动。
打开浏览器访问本地gradio
2.2 LMDeploy Lite
随着模型变得越来越大,我们需要一些大模型压缩技术来降低模型部署的成本,并提升模型的推理性能。LMDeploy 提供了权重量化和 k/v cache两种策略。
2.2.1 设置最大kv cache缓存大小
kv cache是一种缓存技术,通过存储键值对的形式来复用计算结果,以达到提高性能和降低内存消耗的目的。在大规模训练和推理中,kv cache可以显著减少重复计算量,从而提升模型的推理速度。理想情况下,kv cache全部存储于显存,以加快访存速度。
模型在运行时,占用的显存可大致分为三部分:模型参数本身占用的显存、kv cache占用的显存,以及中间运算结果占用的显存。LMDeploy的kv cache管理器可以通过设置--cache-max-entry-count
参数,控制kv缓存占用剩余显存的最大比例。默认的比例为0.8。
首先我们先来回顾一下InternLM2.5正常运行时占用显存。
占用68G,那么试一试执行以下命令,再来观看占用显存情况。
lmdeploy chat /root/models/internlm2_5-7b-chat --cache-max-entry-count 0.4
稍待片刻,观测显存占用情况,可以看到减少了约26GB的显存。
让我们计算一下26GB显存的减少缘何而来,
对于修改kv cache默认占用之前,即如1.3 LMDeploy验证启动模型文件所示直接启动模型的显存占用情况(68GB):
1、在 BF16 精度下,7B模型权重占用14GB:7×10^9 parameters×2 Bytes/parameter=14GB
2、kv cache占用52.8GB:剩余显存80-14=66GB,kv cache默认占用80%,即66*0.8=52.8GB
3、其他项1GB
是故68GB=权重占用14GB+kv cache占用52.8GB+其它项1GB
对于修改kv cache占用之后的显存占用情况(42GB):
1、与上述声明一致,在 BF16 精度下,7B模型权重占用14GB
2、kv cache占用26.4GB:剩余显存80-14=66GB,kv cache修改为占用40%,即66*0.4=26.4GB
3、其他项1GB
是故41.4GB=权重占用14GB+kv cache占用26.4GB+其它项1GB
而此刻减少的26GB显存占用就是从66GB*0.8-66GB*0.4=26.4GB,这里计算得来。
2.2.2 设置在线 kv cache int4/int8 量化
自 v0.4.0 起,LMDeploy 支持在线 kv cache int4/int8 量化,量化方式为 per-head per-token 的非对称量化。此外,通过 LMDeploy 应用 kv 量化非常简单,只需要设定 quant_policy
和cache-max-entry-count
参数。目前,LMDeploy 规定 qant_policy=4
表示 kv int4 量化,quant_policy=8
表示 kv int8 量化。
我们通过 2.1 LMDeploy API部署InternLM2.5 的实践为例,输入以下指令,启动API服务器。
lmdeploy serve api_server \ /root/models/internlm2_5-7b-chat \ --model-format hf \ --quant-policy 4 \ --cache-max-entry-count 0.4\ --server-name 0.0.0.0 \ --server-port 23333 \ --tp 1
稍待片刻,显示如下即代表服务启动成功。
可以看到此时显存占用约42GB,相较于1.3 LMDeploy验证启动模型文件直接启动模型的显存占用情况(23GB)减少了4GB的占用。此时4GB显存的减少逻辑与1.3 LMDeploy验证启动模型文件一致,均因设置kv cache占用参数cache-max-entry-count
至0.4而减少了4GB显存占用。
让我们计算一下2GB显存的减少缘何而来。
对于W4A16量化之前,即如1.3 LMDeploy验证启动模型文件所示直接启动模型的显存占用情况(68GB):
1、在 BF16 精度下,7B模型权重占用14GB:70×10^9 parameters×2 Bytes/parameter=14GB
2、kv cache占用52.8GB:剩余显存80-14=66GB,kv cache默认占用80%,即66*0.8=52.8GB
3、其他项1GB
是故68GB=权重占用14GB+kv cache占用52.8GB+其它项1GB
而对于W4A16量化之后的显存占用情况(66GB):
1、在 int4 精度下,7B模型权重占用3.5GB:14/4=3.5GB
注释:
bfloat16
是16位的浮点数格式,占用2字节(16位)的存储空间。int4
是4位的整数格式,占用0.5字节(4位)的存储空间。因此,从bfloat16
到int4
的转换理论上可以将模型权重的大小减少到原来的1/4,即7B个int4
参数仅占用3.5GB的显存。
2、kv cache占用61.2GB:剩余显存80-3.5=76.5GB,kv cache默认占用80%,即76.5*0.8=61.2GB
3、其他项1GB
是故65.7GB=权重占用3.5GB+kv cache占用61.2GB+其它项1GB
2.2.4 W4A16 量化+ KV cache+KV cache 量化
我知道你们肯定有人在想,介绍了那么多方法,能不能全都要?当然可以!
输入以下指令,让我们同时启用量化后的模型、设定kv cache占用和kv cache int4量化。
lmdeploy serve api_server \ /root/models/internlm2_5-7b-chat-w4a16-4bit/ \ --model-format awq \ --quant-policy 4 \ --cache-max-entry-count 0.4\ --server-name 0.0.0.0 \ --server-port 23333 \ --tp 1
只占用:36G
3 LMDeploy与InternVL2
本次实践选用InternVL2-26B进行演示,其实就根本来说作为一款VLM和上述的InternLM2.5在操作上并无本质区别,仅是多出了"图片输入"这一额外步骤,但作为量化部署进阶实践,选用InternVL2-26B目的是带领大家体验一下LMDeploy的量化部署可以做到何种程度。
3.1 LMDeploy Lite
InternVL2-26B需要约70+GB显存,但是为了让我们能够在30%A100上运行,需要先进行量化操作,这也是量化本身的意义所在——即降低模型部署成本。
3.1.1 W4A16 模型量化和部署
针对InternVL系列模型,让我们先进入conda环境,并输入以下指令,执行模型的量化工作。(本步骤耗时较长,请耐心等待)
lmdeploy lite auto_awq \
/root/models/InternVL2-26B \
--calib-dataset 'ptb' \
--calib-samples 128 \
--calib-seqlen 2048 \
--w-bits 4 \
--w-group-size 128 \
--batch-size 10 \
--search-scale False \
--work-dir /root/models/InternVL2-26B-w4a16-4bit
等终端输出如下时,说明正在推理中,稍待片刻。
3.1.2 W4A16 量化+ KV cache+KV cache 量化
输入以下指令,让我们启用量化后的模型。
lmdeploy serve api_server \ /root/models/InternVL2-26B-w4a16-4bit \ --model-format awq \ --quant-policy 4 \ --cache-max-entry-count 0.1\ --server-name 0.0.0.0 \ --server-port 23333 \ --tp 1
启动后观测显存占用情况,此时只需要约29GB的显存,已经是一张30%A100即可部署的模型了。
3.2 LMDeploy API部署InternVL2
具体封装操作与之前大同小异,仅仅在数个指令细节上作调整,故本章节大部分操作与2.1 LMDeploy API部署InternLM2.5中几近完全一样,同学们可自行"依葫芦画瓢",以下教程仅做参考。
通过以下命令启动API服务器,部署InternVL2模型:
lmdeploy serve api_server \ /root/models/InternVL2-26B-w4a16-4bit/ \ --model-format awq \ --quant-policy 4 \ --cache-max-entry-count 0.6 \ --server-name 0.0.0.0 \ --server-port 23333 \ --tp 1
其余步骤与2.1.1 启动API服务器剩余内容一致。
命令行形式、Gradio网页形式连接操作与
步骤流程、指令完全一致,不再赘述。
以下为Gradio网页形式连接成功后对话截图。
4 LMDeploy之FastAPI与Function call
之前在2.1.1 启动API服务器与3.2 LMDeploy API部署InternVL2均是借助FastAPI封装一个API出来让LMDeploy自行进行访问,在这一章节中我们将依托于LMDeploy封装出来的API进行更加灵活更具DIY的开发。
4.1 API开发
与之前一样,让我们进入创建好的conda环境并输入指令启动API服务器。
conda activate lmdeploy
lmdeploy serve api_server \
/root/models/internlm2_5-7b-chat-w4a16-4bit \
--model-format awq \
--cache-max-entry-count 0.4 \
--quant-policy 4 \
--server-name 0.0.0.0 \
--server-port 23333 \
--tp 1
保持终端窗口不动,新建一个终端。
在新建终端中输入如下指令,新建internlm2_5.py
。
touch /root/internlm2_5.py
将以下内容复制粘贴进internlm2_5.py
。
# 导入openai模块中的OpenAI类,这个类用于与OpenAI API进行交互 from openai import OpenAI # 创建一个OpenAI的客户端实例,需要传入API密钥和API的基础URL client = OpenAI( api_key='YOUR_API_KEY', # 替换为你的OpenAI API密钥,由于我们使用的本地API,无需密钥,任意填写即可 base_url="http://0.0.0.0:23333/v1" # 指定API的基础URL,这里使用了本地地址和端口 ) # 调用client.models.list()方法获取所有可用的模型,并选择第一个模型的ID # models.list()返回一个模型列表,每个模型都有一个id属性 model_name = client.models.list().data[0].id # 使用client.chat.completions.create()方法创建一个聊天补全请求 # 这个方法需要传入多个参数来指定请求的细节 response = client.chat.completions.create( model=model_name, # 指定要使用的模型ID messages=[ # 定义消息列表,列表中的每个字典代表一个消息 {"role": "system", "content": "你是一个友好的小助手,负责解决问题."}, # 系统消息,定义助手的行为 {"role": "user", "content": "帮我讲述一个关于狐狸和西瓜的小故事"}, # 用户消息,询问时间管理的建议 ], temperature=0.8, # 控制生成文本的随机性,值越高生成的文本越随机 top_p=0.8 # 控制生成文本的多样性,值越高生成的文本越多样 ) # 打印出API的响应结果 print(response.choices[0].message.content)
按Ctrl+S
键保存(Mac用户按Command+S
)。
现在让我们在新建终端输入以下指令激活环境并运行python代码。
conda activate lmdeploy python /root/internlm2_5.py
终端会输出如下结果。
查看api_server输出:表示已经接收到请求并正常返回结果。
4.2 Function call
关于Function call,即函数调用功能,它允许开发者在调用模型时,详细说明函数的作用,并使模型能够智能地根据用户的提问来输入参数并执行函数。完成调用后,模型会将函数的输出结果作为回答用户问题的依据。
首先让我们进入创建好的conda环境并启动API服务器。
conda activate lmdeploy
lmdeploy serve api_server \
/root/models/internlm2_5-7b-chat \
--model-format hf \
--quant-policy 0 \
--server-name 0.0.0.0 \
--server-port 23333 \
--tp 1
目前LMDeploy在0.5.3版本中支持了对InternLM2, InternLM2.5和llama3.1这三个模型,故我们选用InternLM2.5 封装API。
让我们使用一个简单的例子作为演示。输入如下指令,新建internlm2_5_func.py
。
touch /root/internlm2_5_func.py
双击打开,并将以下内容复制粘贴进internlm2_5_func.py
。
from openai import OpenAI def add(a: int, b: int): return a + b def mul(a: int, b: int): return a * b tools = [{ 'type': 'function', 'function': { 'name': 'add', 'description': 'Compute the sum of two numbers', 'parameters': { 'type': 'object', 'properties': { 'a': { 'type': 'int', 'description': 'A number', }, 'b': { 'type': 'int', 'description': 'A number', }, }, 'required': ['a', 'b'], }, } }, { 'type': 'function', 'function': { 'name': 'mul', 'description': 'Calculate the product of two numbers', 'parameters': { 'type': 'object', 'properties': { 'a': { 'type': 'int', 'description': 'A number', }, 'b': { 'type': 'int', 'description': 'A number', }, }, 'required': ['a', 'b'], }, } }] messages = [{'role': 'user', 'content': 'Compute (3+5)*2'}] client = OpenAI(api_key='YOUR_API_KEY', base_url='http://0.0.0.0:23333/v1') model_name = client.models.list().data[0].id response = client.chat.completions.create( model=model_name, messages=messages, temperature=0.8, top_p=0.8, stream=False, tools=tools) print(response) func1_name = response.choices[0].message.tool_calls[0].function.name func1_args = response.choices[0].message.tool_calls[0].function.arguments func1_out = eval(f'{func1_name}(**{func1_args})') print(func1_out) messages.append({ 'role': 'assistant', 'content': response.choices[0].message.content }) messages.append({ 'role': 'environment', 'content': f'3+5={func1_out}', 'name': 'plugin' }) response = client.chat.completions.create( model=model_name, messages=messages, temperature=0.8, top_p=0.8, stream=False, tools=tools) print(response) func2_name = response.choices[0].message.tool_calls[0].function.name func2_args = response.choices[0].message.tool_calls[0].function.arguments func2_out = eval(f'{func2_name}(**{func2_args})') print(func2_out)
按Ctrl+S
键保存(Mac用户按Command+S
)。
现在让我们输入以下指令运行python代码。
python /root/internlm2_5_func.py
稍待片刻终端输出如下。
我们可以看出InternLM2.5将输入'Compute (3+5)*2'
根据提供的function拆分成了"加"和"乘"两步,第一步调用function add
实现加,再于第二步调用function mul
实现乘,再最终输出结果16.