本次学习分享基于Llama3-Tutorial(Llama 3 超级课堂)分享,git地址如下
GitHub - SmartFlowAI/Llama3-Tutorial: Llama3-Tutorial(XTuner、LMDeploy、OpenCompass)gLlama3-Tutorial(XTuner、LMDeploy、OpenCompass). Contribute to SmartFlowAI/Llama3-Tutorial development by creating an account on GitHub.https://github.com/SmartFlowAI/Llama3-Tutorial/此外感谢InternStudio提供的大模型实训平台,还有学习群内小伙伴的相互帮助。
llama3-8b对话模型部署
步骤1:conda环境设置,命令如下
conda create -n llama3 python=3.10
conda activate llama3
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia
安装好lmdeploy
pip install -U lmdeploy[all]
步骤2:下载已经训练好的llama3的权重
情况1:单独下载:通过从OpenXLab中获取权重
方法:安装 git-lfs 依赖
# 如果下面命令报错则使用 apt install git git-lfs -y
conda install git-lfs
git-lfs install
下载模型
git clone https://code.openxlab.org.cn/MrCat/Llama-3-8B-Instruct.git Meta-Llama-3-8B-Instruct
情况2:软链接 InternStudio 中的模型(用于InternStudio平台)
方法:
ln -s /root/share/new_models/meta-llama/Meta-Llama-3-8B-Instruct ~/model/Meta-Llama-3-8B-Instruct
步骤3:使用LMDeploy Chat CLI 工具初步测试llama-3-8b的运行效果
测试命令如下
lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct
运行结果如下图
步骤4:使用LMDeploy对模型进行量化
lmDeploy提供KV8量化和W4A16量化,本次实践基于W4A16量化来测试比对步骤2中的显存占比
lmdeploy的w4a16量化命令如下
lmdeploy lite auto_awq \
/root/model/Meta-Llama-3-8B-Instruct \
--calib-dataset 'ptb' \
--calib-samples 128 \
--calib-seqlen 1024 \
--w-bits 4 \
--w-group-size 128 \
--work-dir /root/model/Meta-Llama-3-8B-Instruct_4bit
控制lmdeploy中的cache-max-entry-count的大小来测试量化后模型在实际测试时的显存占比
lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct_4bit --model-format awq --cache-max-entry-count 0.03
执行上面命令时,量化后的模型测试效果及显存占比如下图
mdeploy chat /root/model/Meta-Llama-3-8B-Instruct_4bit --model-format awq --cache-max-entry-count 0.1
执行上面命令时,量化后的模型测试效果及显存占比如下图
比对一下上面的显存占比,可以看到随着cache-max-entry-count的参数变化,系统的显存有着明显的变化
步骤4:使用LMDeploy部署本地服务
1. 启动API服务接口,命令如下
lmdeploy serve api_server \
/root/model/Meta-Llama-3-8B-Instruct \
--model-format hf \
--quant-policy 0 \
--server-name 0.0.0.0 \
--server-port 23333 \
--tp 1
2. 启动客户端服务来连接API服务,命令如下
lmdeploy serve api_client http://localhost:23333
3. 服务器上的测试效果如图所示
可以看到模型处理时所占的显存及对话效果
问题及后续处理
问题1:LMDeploy提供多种量化算法和对应参数,由于时间问题,只是简单测试了几个,后续会进行多种测试
问题2:后续会对量化后的模型如何在服务器上的部署方式来逐一实验