Jetson 开发系列：如何用GPU跑本地大模型？

AI码上来

于 2024-10-06 08:12:39 发布

阅读量687

点赞数 17

分类专栏： AIoT嵌入式开发文章标签：人工智能嵌入式

本文链接：https://blog.csdn.net/u010522887/article/details/142722395

版权

AIoT嵌入式开发专栏收录该内容

12 篇文章 0 订阅

订阅专栏

最近刚入手一台 Jetson Ori Nano 开发板，前两篇把开发前的准备工作做了：

搭建本地环境：Jetson 开发系列：Orin Nano 开箱！一款强大的嵌入式&物联网开发板
管理音频设备：Jetson 开发系列：Linux 下如何管理音频设备？

Jetson Ori Nano 搭载了一块有 1024 个 CUDA 核的 GPU，可提供 40 TOPS（每秒万亿次）的算力，为本地跑大模型提供了一种可能。

在最强开源Qwen2.5：本地部署 Ollma/vLLM 实测中，我们实测发现：GPU 推理速度是 CPU 的 10+ 倍!

边缘设备中，还有这么高的加速比么？

用 Jetson Ori Nano 跑大模型，速度咋样？

本文就带大家用 Ollama 实测一番。

1. Ollama 支持所有 GPU 么

Ollama 是一款最适合小白的大模型部署利器，所谓的一键部署是 Ollama 帮你搞定了很多麻烦事，比如 GPU 加速、模型量化等。

但 Ollama 并非支持所有 GPU 设备的加速推理。

划重点：Ollama 只支持计算能力 5.0 及以上的 Nvidia GPU！

其中，计算能力 5.0 是NVIDIA 是定义的一个术语，不同版本意味着支持不同的 CUDA 特性，以及不同的计算性能。

https://developer.nvidia.com/cuda-gpus这里可以查看你的 GPU 对应的计算能力。

Jetson Orin Nano 的计算能力是 8.7，理论上是可行的？

2. 原生 Ollama 部署失败

在 Jetson 中，系统内存和 GPU 显存共享，板卡使用的是专门为嵌入式系统优化的驱动和API，原生 Ollama 无法在 Jetson 上利用 GPU 跑大模型。

首先，尝试 docker 部署 Ollma。

1. 使用 GPU：

docker run -d --runtime nvidia -v ollama:/root/.ollama -p 3002:11434 --restart unless-stopped --name ollama ollama/ollama

2. 使用 CPU:

docker run -d -v ollama:/root/.ollama -p 3002:11434 --restart unless-stopped --name ollama ollama/ollama

但是，使用 GPU 无法将模型加载到内存中，而 CPU 可以，一开始以为是 docker 环境的问题，后来尝试了本地部署，依然无法加载成功。

直到找到 Jetson Containers 这个工具。

3. dustynv/ollama 镜像部署成功

Jetson Containers 是专为 Jetson 设计的容器项目，提供了模块化的容器构建系统，底层依赖 docker。

其中，专为 Ollama 提供了一个教程：https://www.jetson-ai-lab.com/tutorial_ollama.html。

不过，jetson-containers run --name ollama $(autotag ollama) 命令依然是采用的 Ollama 原生镜像，所以搞不定。

后面发现dustynv/ollama:r36.2.0这个镜像，可以成功拉起支持 Jetson GPU 的docker 容器：

docker run -d --runtime nvidia --restart unless-stopped -p 3002:11434 -v ollama:/ollama -e OLLAMA_MODELS=/ollama -e OLLAMA_LOGS=/ollama/ollama.log --name ollama dustynv/ollama:r36.2.0

通过如下命令进入容器：

docker exec -it ollama /bin/bash

接下来，下载你需要的模型就行，具体可参考：最强开源Qwen2.5：本地部署 Ollma/vLLM 实测

打一个请求测试了看看吧：

上图可以发现：CPU 没有打满，但 GPU 利用率上来了，说明你的模型已经成功跑在了 GPU 上！

4. CPU/GPU 速度对比

既然已经实现了 GPU 推理加速，自然最关心的问题是：加速效果如何？

我们还是采用上篇的测试方法：非流式输出，直接使用输出文本字数进行平均耗时对比。

cpu 跑 qwen2.5:7b

7b cpu: 0, time: 4.08s, token/s: 3.68
7b cpu: 1, time: 6.31s, token/s: 3.80
7b cpu: 2, time: 5.02s, token/s: 3.39
7b cpu: 3, time: 9.39s, token/s: 4.26
7b cpu: 4, time: 6.68s, token/s: 3.89

gpu 跑 qwen2.5:7b

qwen2.5-7b time: 45.86s, token/s: 9.31
qwen2.5-7b time: 37.87s, token/s: 9.48
qwen2.5-7b time: 44.05s, token/s: 9.72
qwen2.5-7b time: 30.55s, token/s: 9.23
qwen2.5-7b time: 50.36s, token/s: 9.13

尴尬了，加速比不到 3，jetson gpu 甚至跑不到服务端 cpu 的速度！

看来，想要在端侧跑本地大模型，流式输出是必须的了，我们下篇来聊。