MOSS模型量化版部署过程

项目背景

2023年4月21日，复旦大学自然语言处理实验室正式开放MOSS模型，是国内首个插件增强的开源对话大语言模型。MOSS 相关代码、数据、模型参数已在 GitHub 和 Hugging Face 等平台开放，
项目地址：https://github.com/OpenLMLab/MOSS。

MOSS 对硬件要求还是较高，如果想本地部署的话，仍但需要非常大的开销。如果使用A100 或 A800 可以单卡运行，而使用NVIDIA 3090 只能并行多卡运行，GPU 显存至少需要 30GB。但如果想在消费级显卡上进行部署，就只能部署量化后的版本，如下图所示：

具体对应的模型版本如下：

moss-moon-003-sft-int4: 4bit量化版本的moss-moon-003-sft模型，约占用12GB显存即可进行推理。
moss-moon-003-sft-int8: 8bit量化版本的moss-moon-003-sft模型，约占用24GB显存即可进行推理。
moss-moon-003-sft-plugin-int4: 4bit量化版本的moss-moon-003-sft-plugin模型，约占用12GB显存即可进行推理。
moss-moon-003-sft-plugin-int8: 8bit量化版本的moss-moon-003-sft-plugin模型，约占用24GB显存即可进行推理。

由于本次实验所使用的配置如下：
CPU&内存：28核(vCPU)112 GB
操作系统：Ubuntu_64
GPU：NVIDIA Tesla P100
显存：16G

故选择 moss-moon-003-sft-int4 模型进行部署实验。

配置环境与准备

1、登录服务器，下载本仓库内容至服务器，进入MOSS目录

git clone https://github.com/OpenLMLab/MOSS.git
cd MOSS

2、创建python3.8版本的conda环境，并进入

conda create --name moss python=3.8
conda activate moss

3、根据 requirements.txt 安装环境依赖

pip install -r requirements.txt

4、安装使用量化模型所需的包（4/8-bit）

pip install triton

5、安装gradio，以便可以使用基于Gradio的网页demo

pip install gradio
pip install mdtex2html

其中，mdtex2html 是因为运行时有报错缺少此包，故这里可以提前装好。

6、下载模型文件，这里直接从huggingface上下载到服务器

# 安装 huggingface_hub
pip install huggingface_hub
# 进入模型文件的指定位置
cd /data/sim_chatgpt/

然后使用下面代码，将模型文件安装到指定位置

from huggingface_hub import snapshot_download
snapshot_download(repo_id="fnlp/moss-moon-003-sft-int4", cache_dir="./moss-moon-003-sft-int4")

下载完成后，得到model_path为：/data/sim_chatgpt/moss-moon-003-sft-int4/models–fnlp–moss-moon-003-sft-int4/snapshots/4e33058483a36ade9067f7f25f3127cb95386b01

部署推理

这里有两种方式，一种是命令行，在服务器上直接运行；一种是网页版，可以通过链接在浏览器访问。

命令行部署

这里我们要运行 moss_cli_demo.py 文件，在运行前需要修改model_path，如下：

parser.add_argument("--model_name", default="/data/sim_chatgpt/moss-moon-003-sft-int4/models--fnlp--moss-moon-003-sft-int4/snapshots/4e33058483a36ade9067f7f25f3127cb95386b01"

报错1

ValueError:
/data/sim_chatgpt/moss-moon-003-sft-int4/models–fnlp–moss-moon-003-sft-int4/snapshots/4e33058483a36ade9067f7f25f3127cb95386b01
is not a folder containing a .index.json file.

解决办法
将下面代码进行替换（注释掉）

# model = load_checkpoint_and_dispatch(
#     raw_model, model_path, device_map="auto", no_split_module_classes=["MossBlock"], dtype=torch.float16
# )
model = MossForCausalLM.from_pretrained(model_path, trust_remote_code=True).half().cuda()

报错2：

运行时报错，如下图所示：

python: /project/lib/Analysis/Utility.cpp:136: bool mlir::supportMMA(mlir::Value, int): Assertion `(version == 1 || version == 2) && “Unexpected MMA layout version found”’ failed.
遇到问题：https://github.com/OpenLMLab/MOSS/issues/149

issue中有人提到：

• 算力小于70的显卡都不支持Float8 and Float16，P100 P40算力版本都是60+所以暂时只能使用Float32,但是显存又不够。NVDIA V100 NVIDIA TITAN V及其以上显卡可以支持。
• triton官网说对fp16量化模型支持不完善, p100/40等老显卡都会报如上的错. 需要等他们写入更多老显卡支持。
  另外有人实测V100 32GB可以跑int4量化模型.

解决方法如下
将triton换成auto-gptq,这样就绕过了triton验证.

git clone https://github.com/PanQiWei/AutoGPTQ
conda create -n moss python==3.10
cd MOSS
python setup_env.py --install_auto_gptq

另外，需要注意需要修改两个地方：
1、修改model
2、修改model_path

运行

python moss_cli_demo.py

但我并没有尝试成功，一个原因在于，github链接中没有setup_env.py，只有setup.py，另一个原因是即使按照github链接中提供的安装方式，无法安装成功。

由于以上问题并没有得到解决，故决定换一台GPU进行尝试（不在一棵树上吊死）。
尝试使用可以免费试用的阿里云GPU（用的V100，支持资源包抵扣）服务器来部署。

使用免费试用的阿里云GPU部署

1、打开网址：https://free.aliyun.com/，并进行登录；
2、左侧产品类别中选中机器学习平台API后，选择 5000CU*H 3个月，并点击免费试用：

3、点击后，选择个人认证，继续认证成功即可：

4、开通机器学习PAI并创建默认工作空间



5、创建DSW实例，并选择V100，选择官方镜像


选择官方镜像：
pytorch:1.12-gpu-py39-cu113-ubuntu20.04

6、等待启动

但无奈一直启动失败…（后面考虑换个时间再试试）

后过了两三个小时后，可以重启成功了（所以不要放弃，哈哈），点击打开进入。

选中Terminal

先用git clone命令下载MOSS项目

git clone https://github.com/OpenLMLab/MOSS.git

进入MOSS目录，并安装所需要的包

cd MOSS
pip install -r requirements.txt

先试下torch是否可用（因为配置机器的时候选的是1.12的torch）

torch报错，可以用pyotrch官网命令重新安装下torch

pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116

再来看下torch是否可用

将默认加载的模型设置为moss-moon-003-sft-int8

vi moss_cli_demo.py
# 修改第第16行 default = 'fnlp/moss-moon-003-sft-int8'

运行moss_cli_demo.py文件

python moss_cli_demo.py

由于我们没有提前下载好要加载的模型，运行代码后会自动下载指定的模型。

下载模型速度还是很快的，大概半小时左右。
但运行的时候，没办法运行成功（也没有报错，加载数据后就没后续了），大概率是显存不够的原因，这里的显存只有16G，故又讲model_name改回原来的 ‘fnlp/moss-moon-003-sft-int4’，
执行python moss_cli_demo.py命令。

就可以和MOSS进行对话了

推理的速度还是比较慢的，感觉用了1分钟左右才输出答案。

GPU使用率及显存占用情况如下：

可以看出基本上占了14个G左右了，随着对话的增多，显存还会继续增加。

在AutoDL平台上部署

地址：https://www.autodl.com/home
租一台32G显存的V100

版本配置如下：

选好后，点击立即创建。

使用提供的ssh账号和密码进行登录。

进入conda环境

source activate

安装git-lfs：https://www.cnblogs.com/allmignt/p/12353756.html

下载本仓库内容至本地/远程服务器

git clone https://github.com/OpenLMLab/MOSS.git 

进入MOSS，安装所需的包

cd MOSS
pip install -r requirements.txt 

因为模型文件比较大，故需要将模型文件下载到数据盘中，以免造成数据盘内存溢出。

# 进入数据盘
cd /root/autodl-tmp/
git clone https://huggingface.co/fnlp/moss-moon-003-sft-int8.git

修改模型文件加载路径

model_path = '/root/autodl-tmp/moss-moon-003-sft-int8'

运行 python moss_cli_demo.py即可。