书生.浦语大模型实战营(LMDeploy 量化部署实践闯关任务)

量化技术是将传统的表示方法中的浮点数转换为整数或者其他离散形式，以减轻深度学习模型的存储和计算负担。
量化的目的:
1、提升推理的速度
2、增加上下文长度
3、降低推理成本

lmdeploy相对vllm等部署框架具有更佳的推理性能

实战篇：

1 配置LMDeploy环境
conda create -n lmdeploy python=3.10 -y
conda activate lmdeploy
conda install pytorch2.1.2 torchvision0.16.2 torchaudio2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia -y
pip install timm1.0.8 openai==1.40.3 lmdeploy[all]==0.5.3

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/Shanghai_AI_Laboratory/internlm2_5-1_8b-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、internlm2_5-1_8b-chat和InternVL2-26B文件夹。

教程使用internlm2_5-7b-chat和InternVL2-26B作为演示。由于上述模型量化会消耗大量时间(约8h)，量化作业请使用internlm2_5-1_8b-chat模型完成。

conda激活环境后，在conda环境下使用以下命令

lmdeploy chat /root/models/internlm2_5-1_8b-chat

启动成功后，可看到此时的显存占用情况，这是InternStudio提供的资源监控，显示此时占用20.1GB显存

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，试一试执行以下命令，再来观看占用显存情况

lmdeploy chat /root/models/internlm2_5-1_8b-chat --cache-max-entry-count 0.4

此时显存占用12GB，减少之前降低了约8GB。

下面分析一下设置最大kv cache缓存大小为什么降低显存占用

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 quant_policy=4 表示 kv int4 量化，quant_policy=8 表示 kv int8 量化。

lmdeploy serve api_server
/root/models/internlm2_5-1_8b-chat
–model-format hf
–quant-policy 4
–cache-max-entry-count 0.4
–server-name 0.0.0.0
–server-port 23333
–tp 1

可以看到此时显存占用约12G，与仅设置最大kv cache缓存大小时，显存占用差别不大

那么本节中19GB的显存占用与2.2.1 设置最大kv cache缓存大小中19GB的显存占用区别何在呢？
由于都使用BF16精度下的internlm2.5 1.8B模型，故剩余显存均为20.4GB，且 cache-max-entry-count 均为0.4，这意味着LMDeploy将分配40%的剩余显存用于kv cache，即20.4GB*0.4=8.16GB。但quant-policy 设置为4时，意味着使用int4精度进行量化。因此，LMDeploy将会使用int4精度提前开辟4GB的kv cache。

相比使用BF16精度的kv cache，int4的Cache可以在相同4GB的显存下只需要4位来存储一个数值，而BF16需要16位。这意味着int4的Cache可以存储的元素数量是BF16的四倍

W4A16 模型量化和部署

准确说，模型量化是一种优化技术，旨在减少机器学习模型的大小并提高其推理速度。量化通过将模型的权重和激活从高精度（如16位浮点数）转换为低精度（如8位整数、4位整数、甚至二值网络）来实现。

那么标题中的W4A16又是什么意思呢？

W4：这通常表示权重量化为4位整数（int4）。这意味着模型中的权重参数将从它们原始的浮点表示（例如FP32、BF16或FP16，Internlm2.5精度为BF16）转换为4位的整数表示。这样做可以显著减少模型的大小。
A16：这表示激活（或输入/输出）仍然保持在16位浮点数（例如FP16或BF16）。激活是在神经网络中传播的数据，通常在每层运算之后产生。
因此，W4A16的量化配置意味着：

权重被量化为4位整数。
激活保持为16位浮点数。
让我们回到LMDeploy，在最新的版本中，LMDeploy使用的是AWQ算法，能够实现模型的4bit权重量化。输入以下指令，执行量化工作
lmdeploy lite auto_awq
/root/models/internlm2_5-1_8b-chat
–calib-dataset ‘ptb’
–calib-samples 128
–calib-seqlen 2048
–w-bits 4
–w-group-size 128
–batch-size 1
–search-scale False
–work-dir /root/models/internlm2_5-1_8b-chat-w4a16-4bit

命令解释：

lmdeploy lite auto_awq: lite这是LMDeploy的命令，用于启动量化过程，而auto_awq代表自动权重量化（auto-weight-quantization）。
/root/models/internlm2_5-7b-chat: 模型文件的路径。
–calib-dataset ‘ptb’: 这个参数指定了一个校准数据集，这里使用的是’ptb’（Penn Treebank，一个常用的语言模型数据集）。
–calib-samples 128: 这指定了用于校准的样本数量—128个样本
–calib-seqlen 2048: 这指定了校准过程中使用的序列长度—2048
–w-bits 4: 这表示权重（weights）的位数将被量化为4位。
–work-dir /root/models/internlm2_5-7b-chat-w4a16-4bit: 这是工作目录的路径，用于存储量化后的模型和中间结果。

不过使用这个命令的时候会报错，是因为远程下载‘ptb’数据集的时候报错的，之后参照以下链接，在本地下载’ptb’数据，然后传输到开发机上，最终在开发机的磁盘上读取数据的方式，报错消失。
https://blog.csdn.net/weixin_46509586/article/details/142172935

运行成功后，在右上方查看显存占用情况，此时占用占用显存20196MB，量化后模型占用内存变少了。

量化后模型占用1.5G

量化前模型占用3.6G

W4A16 量化+ KV cache+KV cache 量化
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_5-1_8b-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

此时显存占用为11GB

LMDeploy之FastAPI与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
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)

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.