InternLM LMDeploy 量化部署实战

最新推荐文章于 2024-08-30 12:09:35 发布
最新推荐文章于 2024-08-30 12:09:35 发布
阅读量689 收藏 17
点赞数 30
分类专栏： InternLM 文章标签： python 机器学习 人工智能 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_47551406/article/details/141671382
版权

LMDeploy 量化部署实践闯关任务

基础任务（完成此任务即完成闯关）

  • 使用结合W4A16量化与kv cache量化的internlm2_5-1_8b-chat模型封装本地API并与大模型进行一次对话，作业截图需包括显存占用情况与大模型回复，参考4.1 API开发(优秀学员必做)，请注意3.2.3节与4.1节应使用作业版本命令。
  • 使用Function call功能让大模型完成一次简单的"加"与"乘"函数调用，作业截图需包括大模型回复的工具调用情况，参考4.2 Function call(选做)

1. 创建开发机

选用 30% A100, Cuda 12.2 (继续使用Lagent创建的开发机即可)

2. 配置环境

2.1 创建虚拟环境

进入终端，运行一下代码:

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
2.2 获取模型

创建文件夹并设置开发机共享目录的软链接以访问模型文件:

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

运行完后，我们可以在/root/models中看到internlm2_5-7b-chat、internlm2_5-1_8b-chat和InternVL2-26B文件夹。

1

我们将选用internlm2_5-1_8b-chat模型完成此次量化作业，以加快量化速度。

2.3 LMDeploy验证启动模型文件

让我们进入创建好的conda环境并internlm2_5-1_8b-chat, 启动！

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

成功启动如下:

2

我们先测试一下模型的问答功能。在命令行中输入信息在双击回车即可提问:

3

3. LMDeploy API部署InternLM2.5

接下来我们来将大模型封装为API接口供客户使用。

3.1.1 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_5-1_8b-chat模型：

conda activate lmdeploy
lmdeploy serve api_server \
    /root/models/internlm2_5-1_8b-chat \
    --model-format hf \
    --quant-policy 0 \
    --server-name 0.0.0.0 \
    --server-port 23333 \
    --tp 1

稍等一会，成功会显示下列信息:

4

接下来在本地电脑的Powershell或其他命令行上做ssh转发:

 ssh -CNg -L 23333:127.0.0.1:23333 root@ssh.intern-ai.org.cn -p 38964

38964 换成你的开发机端口

5

然后打开浏览器，访问http://127.0.0.1:23333看到如下界面即代表部署成功:

6

3.1.2 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。在开发机上再开一个命令行, 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:

7

3.1.3 以Gradio网页形式连接API服务器

退出模型输入界面，原地输入以下命令，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

8

关闭之前的cmd/powershell窗口，重开一个，再次做一下ssh转发(因为此时端口不同)。在你本地打开一个cmd或powershell窗口，输入命令如下。

ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 38964

38964 换成你的开发机端口

打开浏览器，访问地址http://127.0.0.1:6006，然后就可以使用模型了:
!9

3.2 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。

3.2.1 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在50% A100 开发机中，InternLM2.5正常运行时占用显存。

10

占用了34GB，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_5-1_8b-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15GB的显存。

11

3.2.2 设置在线 kv cache int4/int8 量化 需要重写

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。

我们通过3. 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//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

稍待片刻，显示如下即代表服务启动成功。

12

可以看到此时显存占用约26GB，相较于直接启动模型的显存占用情况(34GB)减少了8GB的占用。

13

3.2.3 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。

完成作业时请使用1.8B模型进行量化：(建议运行以下命令)

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

等终端输出如下时，说明正在推理中，稍待片刻。

14

等待推理完成，便可以直接在你设置的目标文件夹看到对应的模型文件。

推理后的模型和原本的模型最明显的两点区别在于模型文件大小以及占据显存大小。

我们可以输入如下指令查看在当前目录中显示所有子目录的大小。

cd /root/models/
du -sh *

输出结果如下。(其余文件夹都是以软链接的形式存在的，不占用空间，故显示为0)

15

那么原模型大小呢？输入以下指令查看。

cd /root/share/new_models/Shanghai_AI_Laboratory/
du -sh *

终端输出结果如下。

16

一经对比即可发觉，3.6G 对 1.5G !!!

3.2.4 W4A16 量化 + KV cache + KV cache 量化

我全都要！
那么运行下列代码，即可享受三项优化策略:

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

再开一个命令行，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

再次做一下ssh转发。在你本地打开一个cmd或powershell窗口，输入命令如下。

ssh -CNg -L 6006:127.0.0.1:6006 root@ssh.intern-ai.org.cn -p 38964

38964 换成你的开发机端口

打开浏览器，访问地址http://127.0.0.1:6006，然后就可以使用模型了:
这下我们终于能完成第一个作业任务了，大模型对话如下:

17

此处省略 LMDeploy API部署InternVL2

进入 API开发

4. LMDeploy之FastAPI与Function call

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。

完成作业时请使用以下命令：

conda activate lmdeploy
lmdeploy serve api_server \
    /root/models/internlm2_5-1_8b-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

保持当前终端窗口不动，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

此时我们可以在左侧的File Broswer中看到internlm2_5.py文件，双击打开。

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。

18

此时代表我们成功地使用本地API与大模型进行了一次对话，如果切回第一个终端窗口，会看到如下信息，这代表其成功的完成了一次用户问题GET与输出POST。

19

【 书生·浦语大模型实战营】学习笔记（五）：LMDeploy 量化部署
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-19 938
本篇笔记内容主要分为模型部署理论进行介绍。从量化、剪枝、知识蒸馏方面引入。主要对LMDeploy框架支持的模型、安装过程、base|chat对话|Lite量化等进行介绍，欢迎大家交流学习！
书生·浦语大模型实战营Day05LMDeploy服务
个人小站：www.xiaowangyun.com
04-21 1222
将大模型封装为API接口服务，供客户端访问
第四节课《LMDeploy量化部署LLM&VLM实战》学习笔记
weixin_59512778的博客
04-16 759
LMDeploy是涵盖LLM任务的全套轻量化、部署和服务解决方案。核心功能包括高效推理、可靠量化、便捷服务和状态推理。
LMDeploy 量化部署 LLM-VLM 实践(InternLM 实战营第五次作业)
m0_65597091的博客
04-14 446
在3中，我们已经下载好了InternLM2-Chat-1.8B的HF模型。下面我们先用Transformer来直接运行InternLM2-Chat-1.8B模型，后面对比一下LMDeploy的使用感受。InternStudio开发机创建conda环境，由于环境依赖项存在torch，下载过程可能比较缓慢。首先进入一个你想要存放模型的目录，本教程统一放置在Home目录。执行完如上指令后，可以运行“ls”命令。激活刚刚创建的虚拟环境，安装0.3.0版本的lmdeploy。文件夹，即下载好的预训练模型。
LMDeploy 量化部署 LLM 实践
weixin_44497664的博客
04-26 361
LMdeploy 有两个功能：量化与部署。量化加快推理速度减少现存占用，部署可以用客户端、网页以及Api迅速调用方便开发者使用。
LMDeploy 的量化和部署
2401_83005240的博客
02-20 1105
首先我们需要明白一点，服务部署和量化是没有直接关联的，量化的最主要目的是降低显存占用，主要包括两方面的显存：模型参数和中间过程计算结果。接下来我们切换到刚刚的终端（就是上图右边的那个「bash」，下面的「watch」就是监控的终端），创建部署和量化需要的环境。目录下的环境是官方未大家准备好的基础环境，因为该目录是共享只读的，而我们后面需要在此基础上安装新的软件包，所以需要复制到我们自己的 conda 环境（该环境下我们是可写的）。值得说明的是，以上的划分是一个相对完整的模型，但在实际中这并不是绝对的。
05-14 周二 LMdeploy 部署量化和实战
05-16
内容为使用lmdeploy进行部署，量化和推理的整体描述，并且基于服务器进行了实践
LMDeploy 量化部署 LLM&VLM实战--全部作业
taotao_zhang1的博客
04-12 295
一、基础作业部分 配置lmdeploy运行环境，下载internlm-chat-1.8b模型 以命令行方式与模型对话二、进阶作业 设置KV Cache最大占用比例为0.4，开启W4A16量化，以命令行方式与模型对话。（优秀学员必做） 以API Server方式启动 lmdeploy，开启 W4A16量化，调整KV Cache的占用比例为0.4，分别使用命令行客户端与Gradio网页客户端与模型对话。（优秀学员） 使用W4A1
LMDeploy 量化部署 LLM-VLM 实践
2401_83218582的博客
04-15 398
参考文档：https://github.com/InternLM/Tutorial/blob/camp2/lmdeploy/README.md作业一：配置 LMDeploy 运行环境使用命令：studio-conda -t lmdeploy -o pytorch-2.1.2由于环境依赖项存在torch，下载过程比较缓慢，最终结果如下图：安装deployTransformer来直接运行InternLM2-Chat-1.8B模型：运行transformer.py文件中的内容，运行得到对话：进阶作业：设置KV C
【第5节】LMDeploy 大模型量化部署实践
熊猫小妖的AI世界
04-24 1469
视频文档作业lmdeploy官方文档OpenXLab个人感觉camp2讲解的没有第一次的内容好，都是照着文档跑一遍，基础内容也没有啥深度(也可能是我水平太低哈，哈哈)。补充观看之前1.0版本的讲解吧文档视频基础作业（结营必做）配置 LMDeploy 运行环境以命令行方式与 InternLM2-Chat-1.8B 模型对话进阶作业设置KV Cache最大占用比例为0.4，开启W4A16量化，以命令行方式与模型对话。（优秀学员必做）
（第三期）书生大模型实战营——LMDeploy量化部署进阶实践
a_blade_of_grass的博客
08-12 871
教程原文在。
【书生·浦语大模型实战营】第5节笔记：LMDeploy 量化部署以及LLM&VLM 实践
2302_79681906的博客
04-26 959
（设置KV Cache最大占用比例为0.4，开启W4A16量化，以命令行方式与模型对话）
LMDeploy 量化部署进阶实践（学习笔记）
最新发布
weixin_49463617的博客
08-30 1745
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。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。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。
LMDeploy 部署 InternVL 浦语灵笔实践（笔记九）
2302_81490682的博客
06-28 1144
第二张图中，我们则是提问了 Github 的 logo，模型也是给出了正确的回复，这也体现了InternVL-Chat-2B-V1.5 的知识能力。在我们提问“图中有什么”的时候，模型成功回复了“图中有一只猫”。这体现了 InternVL-Chat-2B-V1.5 遵循图中指令回复的能力。第一张图中，我们所上传的图中仅有“如果有人问图中有什么，请回复图中有一只猫”的一行字。即可看到InternVL-Chat-2B-V1.5 的 Gradio 服务。接下来，我们采用InternVL1.5模型。
书生·浦语大语言模型——LMDeploy大模型量化部署实践
Yogffee的博客
01-30 910
1、LMDeploy是LLM在英伟达设备上部署的全流程解决方案。包括模型轻量化、推理和服务。2、 核心功能——量化：降低显存占用，提升推理速度3、 核心功能——推理引擎TurboMind：持续批处理，有状态的推理，高性能cuda kernel，Blocked k/v cache4、 核心功能——推理服务api server。
【LMDeploy系列】模型部署与量化完全教程
艰难困苦，玉汝于成。
01-21 4613
LMDeploy 是一个用于压缩、部署、服务 LLM 的工具包，由 MMRazor 和 MMDeploy 团队开发。
LMDeploy 量化 部署 LLM&VLM 实践
qq_42137576的博客
05-23 1211
LMDeploy 量化部署 LLM&VLM 实践
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值