文章目录
- LMDeploy环境部署
- LMDeploy模型对话(chat)
- Huggingface与TurboMind
- 下载模型
- 使用Transformer库运行模型
- 使用LMDeploy与模型对话
- LMDeploy模型量化(lite)
- 设置最大KV Cache缓存大小
- 使用W4A16量化
- LMDeploy服务(serve)
- 启动API服务器
- 命令行客户端连接API服务器
- 网页客户端连接API服务器
- Python代码集成
- Python代码集成运行1.8B模型
- 向TurboMind后端传递参数
- 扩展部分
- 使用LMDeploy运行视觉多模态大模型llava
- 使用LMDeploy运行第三方大模型
- 定量比较LMDeploy与Transformer库的推理速度差异
https:///InternLM/Tutorial/blob/camp2/lmdeploy/README.md
LMDeploy环境部署
- Cuda12.2-conda
conda create -n lmdeploy -y python=3.10
conda activate lmdeploy- 安装 LMDeploy
安装0.3.0版本的lmdeploy。
pip install lmdeploy[all]==0.3.0LMDeploy模型对话(chat)
Huggingface与TurboMind
- HuggingFace
- HuggingFace社区的服务器在国外，国内访问不太方便。国内可以使用阿里巴巴的MindScope社区，或者上海AI Lab搭建的OpenXLab社区，上面托管的模型也通常采用HF格式。
- TurboMind
- TurboMind是LMDeploy团队开发的一款关于LLM推理的高效推理引擎，它的主要功能包括：LLaMa 结构模型的支持，continuous batch 推理模式和可扩展的 KV 缓存管理器。
- TurboMind推理引擎仅支持推理TurboMind格式的模型。因此，TurboMind在推理HF格式的模型时，会首先自动将HF格式模型转换为TurboMind格式的模型。该过程在新版本的LMDeploy中是自动进行的，无需用户操作。
几个容易迷惑的点：
- TurboMind与LMDeploy的关系：LMDeploy是涵盖了LLM 任务全套轻量化、部署和服务解决方案的集成功能包，TurboMind是LMDeploy的一个推理引擎，是一个子模块。LMDeploy也可以使用pytorch作为推理引擎。
- TurboMind与TurboMind模型的关系：TurboMind是推理引擎的名字，TurboMind模型是一种模型存储格式，TurboMind引擎只能推理TurboMind格式的模型。
下载模型
- 执行如下指令由开发机的共享目录软链接
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b /root/使用Transformer库运行模型
新建pipeline_transformer.py。
touch /root/pipeline_transformer.py将以下内容复制粘贴进入pipeline_transformer.py。
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("/root/internlm2-chat-1_8b",
trust_remote_code=True)
# Set `torch_dtype=torch.float16` to load model in float16, otherwise it will be loaded as float32 and cause OOM Error.
model = AutoModelForCausalLM.from_pretrained("/root/internlm2-chat-1_8b",
torch_dtype=torch.float16,
trust_remote_code=True).cuda()
model = model.eval（)
inp = "hello"
print("[INPUT]", inp)
response, history = model.chat(tokenizer, inp, history=[])
print("[OUTPUT]", response)
inp = "please provide three suggestions about time management"
print("[INPUT]", inp)
response, history = model.chat(tokenizer, inp, history=history)
print("[OUTPUT]", response)conda activate lmdeploy
# 运行python代码：
python /root/pipeline_transformer.py使用LMDeploy与模型对话
conda activate lmdeploy使用LMDeploy与模型进行对话的通用命令格式为：
lmdeploy chat [HF格式模型路径/TurboMind格式模型路径]
# 例如
lmdeploy chat /root/internlm2-chat-1_8b
拓展内容：有关LMDeploy的chat功能的更多参数可通过-h命令查看。
lmdeploy chat -h
(lmdeploy) root@intern-studio-40061597:~# lmdeploy chat -h
usage: lmdeploy chat [-h] [--backend {pytorch,turbomind}] [--trust-remote-code]
[--meta-instruction META_INSTRUCTION] [--cap {completion,infilling,chat,python}]
[--adapters [ADAPTERS ...]] [--tp TP] [--model-name MODEL_NAME]
[--session-len SESSION_LEN] [--max-batch-size MAX_BATCH_SIZE]
[--cache-max-entry-count CACHE_MAX_ENTRY_COUNT] [--model-format {hf,llama,awq}]
[--quant-policy QUANT_POLICY] [--rope-scaling-factor ROPE_SCALING_FACTOR]
model_path
Chat with pytorch or turbomind engine.
positional arguments:
model_path The path of a model. it could be one of the following options: - i) a local
directory path of a turbomind model which is converted by `lmdeploy convert`
command or download from ii) and iii). - ii) the model_id of a lmdeploy-
quantized model hosted inside a model repo on , such as
"internlm/internlm-chat-20b-4bit", "lmdeploy/llama2-chat-70b-4bit", etc. - iii)
the model_id of a model hosted inside a model repo on , such as
"internlm/internlm-chat-7b", "qwen/qwen-7b-chat ", "baichuan-
inc/baichuan2-7b-chat" and so on. Type: str
options:
-h, --help show this help message and exit
--backend {pytorch,turbomind}
Set the inference backend. Default: turbomind. Type: str
--trust-remote-code Trust remote code for loading hf models. Default: True
--meta-instruction META_INSTRUCTION
System prompt for ChatTemplateConfig. Deprecated. Please use --chat-template
instead. Default: None. Type: str
--cap {completion,infilling,chat,python}
The capability of a model. Deprecated. Please use --chat-template instead.
Default: chat. Type: str
PyTorch engine arguments:
--adapters [ADAPTERS ...]
Used to set path(s) of lora adapter(s). One can input key-value pairs in xxx=yyy
format for multiple lora adapters. If only have one adapter, one can only input
the path of the adapter.. Default: None. Type: str
--tp TP GPU number used in tensor parallelism. Should be 2^n. Default: 1. Type: int
--model-name MODEL_NAME
The name of the to-be-deployed model, such as llama-7b, llama-13b, vicuna-7b and
etc. You can run `lmdeploy list` to get the supported model names. Default:
None. Type: str
--session-len SESSION_LEN
The max session length of a sequence. Default: None. Type: int
--max-batch-size MAX_BATCH_SIZE
Maximum batch size. Default: 128. Type: int
--cache-max-entry-count CACHE_MAX_ENTRY_COUNT
The percentage of gpu memory occupied by the k/v cache. Default: 0.8. Type:
float
TurboMind engine arguments:
--tp TP GPU number used in tensor parallelism. Should be 2^n. Default: 1. Type: int
--model-name MODEL_NAME
The name of the to-be-deployed model, such as llama-7b, llama-13b, vicuna-7b and
etc. You can run `lmdeploy list` to get the supported model names. Default:
None. Type: str
--session-len SESSION_LEN
The max session length of a sequence. Default: None. Type: int
--max-batch-size MAX_BATCH_SIZE
Maximum batch size. Default: 128. Type: int
--cache-max-entry-count CACHE_MAX_ENTRY_COUNT
The percentage of gpu memory occupied by the k/v cache. Default: 0.8. Type:
float
--model-format {hf,llama,awq}
The format of input model. `hf` meaning `hf_llama`, `llama` meaning
`meta_llama`, `awq` meaning the quantized model by awq. Default: None. Type: str
--quant-policy QUANT_POLICY
Whether to use kv int8. Default: 0. Type: int
--rope-scaling-factor ROPE_SCALING_FACTOR
Rope scaling factor. Default: 0.0. Type: floatLMDeploy模型量化(lite)
主要介绍如何对模型进行量化。主要包括 KV8量化和W4A16量化。总的来说，量化是一种以参数或计算中间结果精度下降换空间节省（以及同时带来的性能提升）的策略。
正式介绍 LMDeploy 量化方案前，需要先介绍两个概念：
- 计算密集（compute-bound）: 指推理过程中，绝大部分时间消耗在数值计算上；针对计算密集型场景，可以通过使用更快的硬件计算单元来提升计算速度。
- 访存密集（memory-bound）: 指推理过程中，绝大部分时间消耗在数据读取上；针对访存密集型场景，一般通过减少访存次数、提高计算访存比或降低访存量来优化。
常见的 LLM 模型由于 Decoder Only 架构的特性，实际推理时大多数的时间都消耗在了逐 Token 生成阶段（Decoding 阶段），是典型的访存密集型场景。
那么，如何优化 LLM 模型推理中的访存密集问题呢？
- 我们可以使用KV8量化和W4A16量化。
- KV8量化是指将逐 Token（Decoding）生成过程中的上下文 K 和 V 中间结果进行 INT8 量化（计算时再反量化），以降低生成过程中的显存占用。
- W4A16 量化，将 FP16 的模型权重量化为 INT4，Kernel 计算时，访存量直接降为 FP16 模型的 1/4，大幅降低了访存成本。Weight Only 是指仅量化权重，数值计算依然采用 FP16（需要将 INT4 权重反量化）。
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。当显存空间不足时，也可以将KV Cache放在内存，通过缓存管理器控制将当前需要使用的数据放入显存。
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。
下面通过几个例子，来看一下调整 --cache-max-entry-count参数的效果。首先保持不加该参数（默认0.8），运行1.8B模型。
lmdeploy chat /root/internlm2-chat-1_8b
（0.8 的比例）
此时显存占用为7856MB。下面，改变 --cache-max-entry-count 参数，设为0.5。
lmdeploy chat /root/internlm2-chat-1_8b --cache-max-entry-count 0.5
（0.5 的比例）
看到显存占用明显降低，变为6608M。
下面来一波“极限”，把 --cache-max-entry-count 参数设置为0.01，约等于禁止KV Cache占用显存。
lmdeploy chat /root/internlm2-chat-1_8b --cache-max-entry-count 0.01
（0.01 的比例）
可以看到，此时显存占用仅为4560MB，代价是会降低模型推理速度。
使用W4A16量化
LMDeploy使用AWQ算法，实现模型4bit权重量化。推理引擎TurboMind提供了非常高效的4bit推理cuda kernel，性能是FP16的2.4倍以上。它支持以下NVIDIA显卡：
- 图灵架构（sm75）：20系列、T4
- 安培架构（sm80,sm86）：30系列、A10、A16、A30、A100
- Ada Lovelace架构（sm90）：40 系列运行前，首先安装一个依赖库。
pip install einops==0.7.0仅需执行一条命令，就可以完成模型量化工作。
lmdeploy lite auto_awq \
/root/internlm2-chat-1_8b \
--calib-dataset 'ptb' \
--calib-samples 128 \
--calib-seqlen 1024 \
--w-bits 4 \
--w-group-size 128 \
--work-dir /root/internlm2-chat-1_8b-4bit运行时间较长，请耐心等待。量化工作结束后，新的HF模型被保存到internlm2-chat-1_8b-4bit目录。下面使用Chat功能运行W4A16量化后的模型。
lmdeploy chat /root/internlm2-chat-1_8b-4bit --model-format awq为了更加明显体会到W4A16的作用，我们将KV Cache比例再次调为0.01，查看显存占用情况。
lmdeploy chat /root/internlm2-chat-1_8b-4bit --model-format awq --cache-max-entry-count 0.01可以看到，显存占用变为2472MB，明显降低。
拓展内容：有关LMDeploy的lite功能的更多参数可通过-h命令查看。
lmdeploy lite -h
(lmdeploy) root@intern-studio-40061597:~# lmdeploy lite -h
usage: lmdeploy lite [-h] {auto_awq,calibrate,kv_qparams,smooth_quant} ...
Compressing and accelerating LLMs with lmdeploy.lite module
options:
-h, --help show this help message and exit
Commands:
This group has the following commands:
{auto_awq,calibrate,kv_qparams,smooth_quant}
auto_awq Perform weight quantization using AWQ algorithm.
calibrate Perform calibration on a given dataset.
kv_qparams Export key and value stats.
smooth_quant Perform w8a8 quantization using SmoothQuant.(lmdeploy) root@intern-studio-40061597:~# lmdeploy lite auto_awq -h
usage: lmdeploy lite auto_awq [-h] [--work-dir WORK_DIR] [--calib-dataset CALIB_DATASET]
[--calib-samples CALIB_SAMPLES] [--calib-seqlen CALIB_SEQLEN]
[--device {cuda,cpu}] [--w-bits W_BITS] [--w-sym]
[--w-group-size W_GROUP_SIZE]
model
Perform weight quantization using AWQ algorithm.
positional arguments:
model The path of model in hf format. Type: str
options:
-h, --help show this help message and exit
--work-dir WORK_DIR The working directory to save results. Default: ./work_dir. Type: str
--calib-dataset CALIB_DATASET
The calibration dataset name. Default: ptb. Type: str
--calib-samples CALIB_SAMPLES
The number of samples for calibration. Default: 128. Type: int
--calib-seqlen CALIB_SEQLEN
The sequence length for calibration. Default: 2048. Type: int
--device {cuda,cpu} Device type of running. Default: cuda. Type: str
--w-bits W_BITS Bit number for weight quantization. Default: 4. Type: int
--w-sym Whether to do symmetric quantization. Default: False
--w-group-size W_GROUP_SIZE
Group size for weight quantization statistics. Default: 128. Type: intLMDeploy服务(serve)
在第二章和第三章，我们都是在本地直接推理大模型，这种方式成为本地部署。在生产环境下，我们有时会将大模型封装为API接口服务，供客户端访问。
我们来看下面一张架构图：
我们把从架构上把整个服务流程分成下面几个模块。
- 模型推理/服务。主要提供模型本身的推理，一般来说可以和具体业务解耦，专注模型推理本身性能的优化。可以以模块、API等多种方式提供。
- API Server。中间协议层，把后端推理/服务通过HTTP，gRPC或其他形式的接口，供前端调用。
- Client。可以理解为前端，与用户交互的地方。通过通过网页端/命令行去调用API接口，获取模型推理/服务。
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。比如可以把“模型推理”和“API Server”合并，有的甚至是三个流程打包在一起提供服务。
启动API服务器
通过以下命令启动API服务器，推理 internlm2-chat-1_8b 模型：
lmdeploy serve api_server \
/root/internlm2-chat-1_8b \
--model-format hf \
--quant-policy 0 \
--server-name 0.0.0.0 \
--server-port 23333 \
--tp 1其中，model-format、quant-policy这些参数是与第二章中量化推理模型一致的；server-name和server-port表示API服务器的服务IP与服务端口；tp参数表示并行数量（GPU数量）。
通过运行以上指令，我们成功启动了API服务器，请勿关闭该窗口，后面我们要新建客户端连接该服务。
可以通过运行一下指令，查看更多参数及使用方法：
lmdeploy serve api_server -hssh -CNg -L 23333:127.0.0.1:23333 root@ -p 你的ssh端口号你也可以直接打开http://{host}:23333查看接口的具体使用说明，如下图所示。
命令行客户端连接API服务器
在“4.1”中，我们在终端里新开了一个API服务器。
本节中，我们要新建一个命令行客户端去连接API服务器。
conda activate lmdeploylmdeploy serve api_client http://localhost:23333运行后，可以通过命令行窗口直接与模型对话：
现在你使用的架构是这样的：
网页客户端连接API服务器
关闭刚刚的VSCode终端，但服务器端的终端不要关闭。
新建一个VSCode终端，激活conda环境。
conda activate lmdeploy使用Gradio作为前端，启动网页客户端。
ssh -CNg -L 6006:127.0.0.1:6006 root@ -p <你的ssh端口号>lmdeploy serve gradio http://localhost:23333 \
--server-name 0.0.0.0 \
--server-port 6006打开浏览器，访问地址http://127.0.0.1:6006
现在你使用的架构是这样的：
(lmdeploy) root@intern-studio-40061597:~# lmdeploy serve api_server -h
usage: lmdeploy serve api_server [-h] [--server-name SERVER_NAME] [--server-port SERVER_PORT]
[--allow-origins ALLOW_ORIGINS [ALLOW_ORIGINS ...]]
[--allow-credentials]
[--allow-methods ALLOW_METHODS [ALLOW_METHODS ...]]
[--allow-headers ALLOW_HEADERS [ALLOW_HEADERS ...]]
[--qos-config-path QOS_CONFIG_PATH] [--backend {pytorch,turbomind}]
[--log-level {CRITICAL,FATAL,ERROR,WARN,WARNING,INFO,DEBUG,NOTSET}]
[--api-keys [API_KEYS ...]] [--ssl]
[--meta-instruction META_INSTRUCTION] [--chat-template CHAT_TEMPLATE]
[--cap {completion,infilling,chat,python}] [--adapters [ADAPTERS ...]]
[--tp TP] [--model-name MODEL_NAME] [--session-len SESSION_LEN]
[--max-batch-size MAX_BATCH_SIZE]
[--cache-max-entry-count CACHE_MAX_ENTRY_COUNT]
[--cache-block-seq-len CACHE_BLOCK_SEQ_LEN]
[--model-format {hf,llama,awq}] [--quant-policy QUANT_POLICY]
[--rope-scaling-factor ROPE_SCALING_FACTOR]
model_path
Serve LLMs with restful api using fastapi.
positional arguments:
model_path The path of a model. it could be one of the following options: - i) a local
directory path of a turbomind model which is converted by `lmdeploy convert`
command or download from ii) and iii). - ii) the model_id of a lmdeploy-
quantized model hosted inside a model repo on , such as
"internlm/internlm-chat-20b-4bit", "lmdeploy/llama2-chat-70b-4bit", etc. - iii)
the model_id of a model hosted inside a model repo on , such as
"internlm/internlm-chat-7b", "qwen/qwen-7b-chat ", "baichuan-
inc/baichuan2-7b-chat" and so on. Type: str
options:
-h, --help show this help message and exit
--server-name SERVER_NAME
Host ip for serving. Default: 0.0.0.0. Type: str
--server-port SERVER_PORT
Server port. Default: 23333. Type: int
--allow-origins ALLOW_ORIGINS [ALLOW_ORIGINS ...]
A list of allowed origins for cors. Default: ['*']. Type: str
--allow-credentials Whether to allow credentials for cors. Default: False
--allow-methods ALLOW_METHODS [ALLOW_METHODS ...]
A list of allowed http methods for cors. Default: ['*']. Type: str
--allow-headers ALLOW_HEADERS [ALLOW_HEADERS ...]
A list of allowed http headers for cors. Default: ['*']. Type: str
--qos-config-path QOS_CONFIG_PATH
Qos policy config path. Default: . Type: str
--backend {pytorch,turbomind}
Set the inference backend. Default: turbomind. Type: str
--log-level {CRITICAL,FATAL,ERROR,WARN,WARNING,INFO,DEBUG,NOTSET}
Set the log level. Default: ERROR. Type: str
--api-keys [API_KEYS ...]
Optional list of space separated API keys. Default: None. Type: str
--ssl Enable SSL. Requires OS Environment variables 'SSL_KEYFILE' and 'SSL_CERTFILE'.
Default: False
--meta-instruction META_INSTRUCTION
System prompt for ChatTemplateConfig. Deprecated. Please use --chat-template
instead. Default: None. Type: str
--chat-template CHAT_TEMPLATE
A JSON file or string that specifies the chat template configuration. Please
refer to https://lmdeploy.readthedocs.io/en/latest/advance/chat_template.html
for the specification. Default: None. Type: str
--cap {completion,infilling,chat,python}
The capability of a model. Deprecated. Please use --chat-template instead.
Default: chat. Type: str
PyTorch engine arguments:
--adapters [ADAPTERS ...]
Used to set path(s) of lora adapter(s). One can input key-value pairs in xxx=yyy
format for multiple lora adapters. If only have one adapter, one can only input
the path of the adapter.. Default: None. Type: str
--tp TP GPU number used in tensor parallelism. Should be 2^n. Default: 1. Type: int
--model-name MODEL_NAME
The name of the to-be-deployed model, such as llama-7b, llama-13b, vicuna-7b and
etc. You can run `lmdeploy list` to get the supported model names. Default:
None. Type: str
--session-len SESSION_LEN
The max session length of a sequence. Default: None. Type: int
--max-batch-size MAX_BATCH_SIZE
Maximum batch size. Default: 128. Type: int
--cache-max-entry-count CACHE_MAX_ENTRY_COUNT
The percentage of gpu memory occupied by the k/v cache. Default: 0.8. Type:
float
--cache-block-seq-len CACHE_BLOCK_SEQ_LEN
The length of the token sequence in a k/v block. For Turbomind Engine, if the
GPU compute capability is >= 8.0, it should be a multiple of 32, otherwise it
should be a multiple of 64. For Pytorch Engine, if Lora Adapter is specified,
this parameter will be ignored. Default: 64. Type: int
TurboMind engine arguments:
--tp TP GPU number used in tensor parallelism. Should be 2^n. Default: 1. Type: int
--model-name MODEL_NAME
The name of the to-be-deployed model, such as llama-7b, llama-13b, vicuna-7b and
etc. You can run `lmdeploy list` to get the supported model names. Default:
None. Type: str
--session-len SESSION_LEN
The max session length of a sequence. Default: None. Type: int
--max-batch-size MAX_BATCH_SIZE
Maximum batch size. Default: 128. Type: int
--cache-max-entry-count CACHE_MAX_ENTRY_COUNT
The percentage of gpu memory occupied by the k/v cache. Default: 0.8. Type:
float
--cache-block-seq-len CACHE_BLOCK_SEQ_LEN
The length of the token sequence in a k/v block. For Turbomind Engine, if the
GPU compute capability is >= 8.0, it should be a multiple of 32, otherwise it
should be a multiple of 64. For Pytorch Engine, if Lora Adapter is specified,
this parameter will be ignored. Default: 64. Type: int
--model-format {hf,llama,awq}
The format of input model. `hf` meaning `hf_llama`, `llama` meaning
`meta_llama`, `awq` meaning the quantized model by awq. Default: None. Type: str
--quant-policy QUANT_POLICY
Whether to use kv int8. Default: 0. Type: int
--rope-scaling-factor ROPE_SCALING_FACTOR
Rope scaling factor. Default: 0.0. Type: float(lmdeploy) root@intern-studio-40061597:~# lmdeploy serve api_client -h
usage: lmdeploy serve api_client [-h]
[--api-key API_KEY]
[--session-id SESSION_ID]
api_server_url
Interact with restful api server in
terminal.
positional arguments:
api_server_url The URL of api
server. Type: str
options:
-h, --help show this help
message and exit
--api-key API_KEY api key. Default to
None, which means no
api key will be
used. Type: str
--session-id SESSION_ID
The identical id of
a session. Default:
1. Type: intPython代码集成
在开发项目时，有时我们需要将大模型推理集成到Python代码里面。
Python代码集成运行1.8B模型
conda activate lmdeploy新建Python源代码文件pipeline.py。
touch /root/pipeline.py打开pipeline.py，填入以下内容。
from lmdeploy import pipeline
pipe = pipeline('/root/internlm2-chat-1_8b')
response = pipe(['Hi, pls intro yourself', '上海是'])
print(response)
'''
代码解读：\
第1行，引入lmdeploy的pipeline模块 \
第3行，从目录“./internlm2-chat-1_8b”加载HF模型 \
第4行，运行pipeline，这里采用了批处理的方式，用一个列表包含两个输入，lmdeploy同时推理两个输入，产生两个输出结果，结果返回给response \
第5行，输出response
'''保存后运行代码文件：
python /root/pipeline.py
向TurboMind后端传递参数
在第3章，我们通过向lmdeploy传递附加参数，实现模型的量化推理，及设置KV Cache最大占用比例。在Python代码中，可以通过创建TurbomindEngineConfig，向lmdeploy传递参数。
以设置KV Cache占用比例为例，新建python文件pipeline_kv.py。
touch /root/pipeline_kv.py打开pipeline_kv.py，填入如下内容：
from lmdeploy import pipeline, TurbomindEngineConfig
# 调低 k/v cache内存占比调整为总显存的 20%
backend_config = TurbomindEngineConfig(cache_max_entry_count=0.2)
pipe = pipeline('/root/internlm2-chat-1_8b',
backend_config=backend_config)
response = pipe(['Hi, pls intro yourself', '上海是'])
print(response)保存后运行python代码：
python /root/pipeline_kv.py
扩展部分
使用LMDeploy运行视觉多模态大模型llava
最新版本的LMDeploy支持了llava多模态模型，下面演示使用pipeline推理llava-v1.6-7b。
conda activate lmdeploy安装llava依赖库。
pip install git+https:///haotian-liu/LLaVA.git@4e2277a060da264c4f21b364c867cc622c945874新建一个python文件，比如pipeline_llava.py。
touch /root/pipeline_llava.py打开pipeline_llava.py，填入内容如下：
from lmdeploy.vl import load_image
from lmdeploy import pipeline, TurbomindEngineConfig
backend_config = TurbomindEngineConfig(session_len=8192) # 图片分辨率较高时请调高session_len
# pipe = pipeline('liuhaotian/llava-v1.6-vicuna-7b', backend_config=backend_config) 非开发机运行此命令
pipe = pipeline('/share/new_models/liuhaotian/llava-v1.6-vicuna-7b', backend_config=backend_config)
image = load_image('https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/tests/data/tiger.jpeg')
response = pipe(('describe this image', image))
print(response)代码解读： \
- 第1行引入用于载入图片的load_image函数，第2行引入了lmdeploy的pipeline模块， \
- 第5行创建了 TurbomindEngineConfig 实例 \
- 第7行从github下载了一张关于老虎的图片，如下：
\
- 第8行运行pipeline，输入提示词“describe this image”，和图片，结果返回至response \
- 第9行输出response
保存后运行pipeline。
python /root/pipeline_llava.py
由于官方的Llava模型对中文支持性不好，因此如果使用中文提示词，可能会得到出乎意料的结果，比如将提示词改为“请描述一下这张图片”，你可能会得到类似《印度鳄鱼》的回复。
我们也可以通过Gradio来运行llava模型。新建python文件gradio_llava.py。
touch /root/gradio_llava.py打开文件，填入以下内容：
import gradio as gr
from lmdeploy import pipeline, TurbomindEngineConfig
backend_config = TurbomindEngineConfig(session_len=8192) # 图片分辨率较高时请调高session_len
# pipe = pipeline('liuhaotian/llava-v1.6-vicuna-7b', backend_config=backend_config) 非开发机运行此命令
pipe = pipeline('/share/new_models/liuhaotian/llava-v1.6-vicuna-7b', backend_config=backend_config)
def model(image, text):
if image is None:
return [(text, "请上传一张图片。")]
else:
response = pipe((text, image)).text
return [(text, response)]
demo = gr.Interface(fn=model, inputs=[gr.Image(type="pil"), gr.Textbox()], outputs=gr.Chatbot())
demo.launch()运行python程序。
python /root/gradio_llava.pyssh -CNg -L 7860:127.0.0.1:7860 root@ -p <你的ssh端口>使用LMDeploy运行第三方大模型
LMDeploy不仅支持运行InternLM系列大模型，还支持其他第三方大模型。支持的模型列表如下：
Model | Size |
Llama | 7B - 65B |
Llama2 | 7B - 70B |
InternLM | 7B - 20B |
InternLM2 | 7B - 20B |
InternLM-XComposer | 7B |
QWen | 7B - 72B |
QWen-VL | 7B |
QWen1.5 | 0.5B - 72B |
QWen1.5-MoE | A2.7B |
Baichuan | 7B - 13B |
Baichuan2 | 7B - 13B |
Code Llama | 7B - 34B |
ChatGLM2 | 6B |
Falcon | 7B - 180B |
YI | 6B - 34B |
Mistral | 7B |
DeepSeek-MoE | 16B |
DeepSeek-VL | 7B |
Mixtral | 8x7B |
Gemma | 2B-7B |
Dbrx | 132B |
可以从Modelscope，OpenXLab下载相应的HF模型，下载好HF模型，下面的步骤就和使用LMDeploy运行InternLM2一样啦~
定量比较LMDeploy与Transformer库的推理速度差异
为了直观感受LMDeploy与Transformer库推理速度的差异，让我们来编写一个速度测试脚本。测试环境是30%的InternStudio开发机。
先来测试一波Transformer库推理Internlm2-chat-1.8b的速度，新建python文件，命名为benchmark_transformer.py，填入以下内容：
import torch
import datetime
from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("/root/internlm2-chat-1_8b",
trust_remote_code=True)
# Set `torch_dtype=torch.float16` to load model in float16, otherwise it will be loaded as float32 and cause OOM Error.
model = AutoModelForCausalLM.from_pretrained("/root/internlm2-chat-1_8b",
torch_dtype=torch.float16,
trust_remote_code=True).cuda()
model = model.eval（)
# warmup
inp = "hello"
for i in range(5):
print("Warm up...[{}/5]".format(i+1))
response, history = model.chat(tokenizer, inp, history=[])
# test speed
inp = "请介绍一下你自己。"
times = 10
total_words = 0
start_time = datetime.datetime.now()
for i in range(times):
response, history = model.chat(tokenizer, inp, history=history)
total_words += len(response)
end_time = datetime.datetime.now()
delta_time = end_time - start_time
delta_time = delta_time.seconds + delta_time.microseconds / 1000000.0
speed = total_words / delta_time
print("Speed: {:.3f} words/s".format(speed))python benchmark_transformer.py得到运行结果：
可以看到，Transformer库的推理速度约为83.026 words/s，注意单位是words/s，不是token/s，word和token在数量上可以近似认为成线性关系。
下面来测试一下LMDeploy的推理速度，新建python文件benchmark_lmdeploy.py，填入以下内容：
import datetime
from lmdeploy import pipeline
pipe = pipeline('/root/internlm2-chat-1_8b')
# warmup
inp = "hello"
for i in range(5):
print("Warm up...[{}/5]".format(i+1))
response = pipe([inp])
# test speed
inp = "请介绍一下你自己。"
times = 10
total_words = 0
start_time = datetime.datetime.now()
for i in range(times):
response = pipe([inp])
total_words += len(response[0].text)
end_time = datetime.datetime.now()
delta_time = end_time - start_time
delta_time = delta_time.seconds + delta_time.microseconds / 1000000.0
speed = total_words / delta_time
print("Speed: {:.3f} words/s".format(speed))python benchmark_lmdeploy.py得到运行结果：
可以看到，LMDeploy的推理速度约为475.658 words/s，是Transformer库的6倍。
