LMDeploy量化部署进阶实践

懂你如我丶

于 2024-08-29 09:44:56 发布

阅读量423

点赞数 14

文章标签： python 神经网络语言模型机器学习人工智能

本文链接：https://blog.csdn.net/weixin_44217506/article/details/141669335

版权

LMDeploy量化部署进阶实践

书生浦语官网：https://internlm.intern-ai.org.cn/

MindSearch（欢迎 Star）：https://github.com/InternLM/MindSearch

笔记

1.配置LMDeploy的环境

搭建环境并且安装相关包

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
# 创建模型目录和软链接（节省资源空间）
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

在/root/models中会看到我们用到的两个模型文件，

在这里插入图片描述

接下来我们使用LMDeploy来启动InternLM2.5-7B模型，在模型的config文件中，我们可以看到，模型的权重被存储为bfloat16格式，解释一下什么是bfoat16？对于70亿参数的模型，每个参数使用的是使用16位浮点数（2个Byte）表示，换算一下，模型权重大小约为70*10^9 parameters * 2 Bytes/para=14GB,所以我们运行该模型需要14G左右的显存。

接下来，我们使用LMDeploy验证启动模型文件，并且可以查看下InternStudio开发机提供的资源监控，记录下来，我们可以发现用30%A100 * 1和50%A100 * 1显存占用是渐进式增加的，LMDpeloy推理精度为bf16的7B模型权重需要占用14GB显存，lmdeploy默认设置cache-max-entry-count为0.8，即kv cache占用剩余显存的80%；

此时对于24GB的显卡，即30%A100，权重占用14GB显存，剩余显存24-14=10GB，因此kv cache占用10GB*0.8=8GB，加上原来的权重14GB，总共占用14+8=22GB。

而对于40GB的显卡，即50%A100，权重占用14GB，剩余显存40-14=26GB，因此kv cache占用26GB*0.8=20.8GB，加上原来的权重14GB，总共占用34.8GB。

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22GB和34.8GB。

conda activate lmdeploy
lmdeploy chat /root/models/internlm2_5-7b-chat

在这里插入图片描述

显存资源监控的命令，大家应该都清楚，NVIDIA的卡是nvidia-smi，AMD

显卡的资源监控可安装redeontop工具（linux），sudo apt install radeontop，然后直接使用radeontop，对了lspci | grep -i vga无法实时监控显存使用，只是列出了VGA设备的信息，amdconfig --adapter=all --odgc这个就需要AMD卡的小伙伴自行验证下哈。

2. LMDeploy与InternLM2.5

接下里我们将InternLM2.5封装成API接口来让客户端访问。

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）。

然后就是本地做一下ssh转发就能啊直接在浏览器访问了，相信小伙伴了已经对ssh转发熟能生巧了，这里就不详细介绍了，也不会截过程图了，不过建议大家还是在本地设置下SSH公钥，节省你cv开发机密码的时间和可能cv错的细小可能。

# 48229是我自己开发及的端口，需要换成自己开发及端口
ssh -CNg -L 23333:127.0.0.1:23333 root@ssh.intern-ai.org.cn -p 48229
# 再开一个终端
conda activate lmdeploy
lmdeploy serve api_client http://localhost:23333

这里就是开启终端后，直接本地访问我们启动的模型API服务

在这里插入图片描述

然后我们以Gradio网页形式连接API服务器，这里重新做一下ssh端口转发，注意这里保持第一个LMDeploy第一个启动的23333服务不要关闭，然后刚才我们不是新开启终端调本地API服务吗？我们直接输入exit，按两下Enter键退出即可，直接执行下面的命令。

lmdeploy serve gradio http://localhost:23333 \
    --server-name 0.0.0.0 \
    --server-port 6006
# 本地做ssh转发
ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 48229

然后本地访问6006即可，

在这里插入图片描述

2.2 LMDeploy

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。

还记得我们前面Interlm2.5-7b正常运行占用了23GB的显存，默认kv缓存设置为0.8，我们使用0.4启动下看看显存占用，减少了4GB左右的显存占用：

lmdeploy chat /root/models/internlm2_5-7b-chat --cache-max-entry-count 0.4

在这里插入图片描述

让我们计算一下4GB显存的减少缘何而来，

对于修改kv cache默认占用之前，即如之前LMdeploy启动所示直接启动模型的显存占用情况(23GB)：

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8GB：剩余显存24-14=10GB，kv cache默认占用80%，即10*0.8=8GB

3、其他项1GB

故23GB=权重占用14GB+kv cache占用8GB+其它项1GB

对于修改kv cache占用之后的显存占用情况(19GB)：

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4GB：剩余显存24-14=10GB，kv cache修改为占用40%，即10*0.4=4GB

3、其他项1GB

故19GB=权重占用14GB+kv cache占用4GB+其它项1GB

而此刻减少的4GB显存占用就是从10GB*0.8-10GB*0.4=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

我们来验证下int4量化的显存占用

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

然后再新开的终端中输入如下命令

lmdeploy serve api_client http://localhost:23333

这里是输入问题后按两下Enter键确定，结束对话就是输入exit退出

在这里插入图片描述

可以看到显存占用约19GB左右，发现我们此时的占用和之前没有int4量化的占用，而是直接启动模型比较也是减少了4GB，和KV-cache设置为0.4占用的显存是一致的，都减少了4GB的显存占用。现在我们来分析下int4量化和kv-cache设置为0.4有什么区别？

由于都使用BF16精度下的internlm2.5-7B模型，故剩余显存均为10GB，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10GB*0.4=4GB。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。但是我们在用量化的时候，也要注意模型的精度是否损失。

2.2.3 W4A16 模型量化和部署

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。

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。

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。(本步骤耗时较长，请耐心等待)

lmdeploy lite auto_awq \
   /root/models/internlm2_5-7b-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_5-7b-chat-w4a16-4bit

命令解释如下：

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—1024
--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。

这里可能会出现一个error：ImportError: cannot import name 'StaticCache' from 'transformers.cache_utils，这个错误就是说当前的Transformers的xx方法里面没有StaticCache这个，我们需要自行去了解Transformers版本里面是否有这个用法，这里就不细说了，我们直接解决这个问题。

# 更换Transformers版本即可
pip install transformers==4.39.3

然后再执行上面的W4A16量化的指令，耐心等待即可：

在这里插入图片描述

推理结束后，在量化输出目录里面看到模型文件，我们通过du -sh *看到当前目录中显示所有子目录的大小，这里原始模型的大小是软链接的形式存在，所有显示大小为0，所以。

# 查看W4A16量化后模型信息
cd /root/models/
du -sh *
# 查看原始模型信息
cd /root/share/new_models/Shanghai_AI_Laboratory/
du -sh *

在这里插入图片描述

经过对比发现，我发现W4A16量化后的模型明显比原始模型内存占用小，只占用了4.9G，原始模型占用15G。

接下来我们再来验证下显存占用大小，我们用LMDeploy启动我们量化后的模型并且查看占用显存大小，可以发现W4A16量化后的模型少了2G左右的大小显存，我们计算下这2G是怎么来的。

lmdeploy chat /root/models/internlm2_5-7b-chat-w4a16-4bit/ --model-format awq

在这里插入图片描述

对于W4A16量化之前，即如LMDeploy验证启动InterLM2.5-7B模型文件所示直接启动模型的显存占用情况(23GB)：

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8GB：剩余显存24-14=10GB，kv cache默认占用80%，即10*0.8=8GB

3、其他项1GB

故23GB=权重占用14GB+kv cache占用8GB+其它项1GB

而对于W4A16量化之后的显存占用情况(20.9GB)：

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16.4GB：剩余显存24-3.5=20.5GB，kv cache默认占用80%，即20.5*0.8=16.4GB

3、其他项1GB

故20.9GB=权重占用3.5GB+kv cache占用16.4GB+其它项1GB

2.2.4 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_5-7b-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

上面是后端服务，我们要验证的话再开一个终端用lmdeploy运行这个服务即可

lmdeploy serve api_client http://localhost:23333

同样的这是是输入问题后按两下Enter键确定，结束对话就是输入exit退出

我们可以查看下此时的显存

在这里插入图片描述

让我们来计算一下此刻的显存占用情况(13.5GB):

1、在 int4 精度下，7B模型权重占用3.5GB：14/4=3.5GB
2、kv cache占用16.4GB：剩余显存24-3.5=20.5GB，kv cache占用40%，即20.5*0.4=8.2GB
3、其他项1.8GB

故13.5GB=权重占用3.5GB+kv cache占用8.2GB+其它项1.8GB

3 LMDeploy与InternVL2

3.1 LMDeploy 量化部署InternVL2

这次实践采用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。

# 进入创建的虚拟环境
conda activate lmdeploy

# 量化命令
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 1 \
  --search-scale False \
  --work-dir /root/models/InternVL2-26B-w4a16-4bit

# 启动量化后的模型
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

# 再开启一个终端了LMDeploy打开端口为23333服务
conda activate lmdeploy
lmdeploy serve api_client http://localhost:23333

在这里插入图片描述

量化步骤一如既往的有点长，中间会出现Token长度大于设置的序列长度的索引error，暂时可不用去管，一般是数据预处理的时候问题或是模型配置问题，但是我们启动的都是别人配好的文件，我是没权限改的，感兴趣的小伙伴建议去看看InternVL2-26B模型文件的配置文件和启动代码哈，量化技术后左侧/modes/会生成对应量化后的模型文件，所以建议我们先看看后面的内容。量化后的模型启动观测显存占用情况，

在这里插入图片描述

根据官方提供的Model Card，可以看到InternVL2 26B是由一个6B的ViT、一个100M的MLP以及一个19.86B的internlm组成的，

我们来计算一下使用A100 80GB直接启动模型的显存占用情况：
1、在 fp16 精度下，6BViT模型权重占用12GB：60×10^9 parameters×2 Bytes/parameter=12GB
2、在 fp16 精度下，19.86B≈20B的internlm模型权重占用40GB：200×10^9 parameters×2 Bytes/parameter=40GB
3、kv cache占用22.4GB：剩余显存80-12-40=28GB，kv cache默认占用80%，即28*0.8=22.4GB
4、其他项
故总占用=Vit权重占用12GB+internlm模型权重占用40GB+kv cache占用22.4GB+其他项≥74.4GB
对于使用30%A100*1(24GB显存容量)联合部署的显存情况(23.8GB)：
1、在 fp16 精度下，6BViT模型权重占用12GB：60×10^9 parameters×2 Bytes/parameter=12GB (ViT使用精度为fp16的pytorch推理，量化只对internlm起效果)
2、在 int4 精度下，19.86B≈20B的internlm模型权重占用10GB：200×10^9 parameters×0.5 Bytes/parameter=10GB
3、kv cache占用0.2GB：剩余显存24-12-10=2GB，kv cache修改为占用10%，即2*0.1=0.2GB
4、其他项1.6GB
是故23.8GB=Vit权重占用12GB+internlm模型权重占用10GB+kv cache占用0.2GB+其他项1.6GB

如果此时推理图片，则会显示剩余显存不足，这是因为推理图片的时候pytorch会占用额外的激活显存，故有需要的小伙伴可以开启50%A100进行图片推理

在这里插入图片描述

3.2 LMDeploy API部署InternVL2

就是和前面部署InternLM2.5-7b-chat流程一样，这里就采用使用Gradio服务网页形式来展示。

# 启动量化后的InternVL2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
# 先把服务用Gradio工具展示
lmdeploy serve gradio http://localhost:23333 \
    --server-name 0.0.0.0 \
    --server-port 6006

# 然后我们本机cmd做一下ssh转发
ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p <你的ssh端口号>

在这里插入图片描述

模型的理解和内容回答不够好，这还是取决于模型性能优化的问题，总的来说已经成功对话了。

4 LMDeploy之FastAPI与Function call

我们来完成最后一个小节的内容。就是Function call函数调用一次加法和乘法的操作。

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
# 创建一个py文件
touch /root/internlm2_5.py

将下面代码内容复制到上面创建的internlm2_5.py中

# 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)

接着我们执行这个文件，看看终端的效果

python /root/internlm2_5.py

在这里插入图片描述

4.2 Function call

最后完成一下这个函数调用的功能，我这里简单介绍，建议小伙伴们自由实现运算效果，多读读代码，就能理解了。这里提一点，上面我们LMDeploy反复启动原始模型，量化后的模型展示效果，有可能有同学没有关闭进程导致的error，这里就直接使用ps aux | grep lmdeploy和kill -9 xxxx解决一下哈，grep后面接的是服务名，kill -9 后面接的是进程ID，注意不要kill掉 auto的 LMDeploy进程哈。

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

创建一个执行函数调用的py文件

touch /root/internlm2_5_func.py
# 将下面内容复制到上面internlm2_5_func.py文件中
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)

# 直接运行
python /root/internlm2_5_func.py

在这里插入图片描述

这就是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。

如果遇到一些typeerror的报错，其实就是代码没有检查一些tool_calls在响应中可能为None，再执行一遍文件即可，如遇到其他无法解决的问题，先看看traceback修改，也可以联系我，谢谢。

总结

这节是主要还是Internlm2.5和InternVL2的部署与量化实现的内容，操作简单，主要是我们可以使用lmde工具来量化模型，使其模型推理只需要较低的显存占用，保证在低配置下也能运行推理。感兴趣的同学可以自己深入了解下我们的LMDeploy量化参数以及相关代码的核心逻辑。

懂你如我丶

关注

14
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
LMDeploy量化部署进阶实践

这节是主要还是Internlm2.5和InternVL2的部署与量化实现的内容，操作简单，主要是我们可以使用lmde工具来量化模型，使其模型推理只需要较低的显存占用，保证在低配置下也能运行推理。感兴趣的同学可以自己深入了解下我们的LMDeploy量化参数以及相关代码的核心逻辑。
复制链接

扫一扫