背景
上一篇文章《GPT大语言模型Alpaca-lora本地化部署实践》介绍了斯坦福大学的Alpaca-lora模型的本地化部署，并验证了实际的推理效果。
总体感觉其实并不是特别理想，原始Alpaca-lora模型对中文支持并不好，用52k的中文指令集对模型进行fine-tuning之后，效果依然达不到网上说的媲美GPT-3.5的推理效果，验证了那句话：“事不目见耳闻，而臆断其有无，可乎？”
在具有3块Tesla P40显卡的服务器上，利用3块GPU显卡加载模型参数和计算，进行一次简单的推理（非数学运算和逻辑运算）也需要大概30s-1min的时间，效率简直慢的惊人。在京东云GPU云主机部署上，虽然推理效率提高了很多，用中文数据集对模型进行了fine-tuning，然而对中文的支持也并不是很好，经常会出现乱码、重复问题、词不达意等情况。
最近大模型也同雨后春笋般的层出不穷，各个大厂和科研机构都推出了自己的大模型，其中基于LLaMA（开源且好用）的最多，所以决定再看看其他模型，有没有推理效果好，中文支持好，同时推理效率高的模型。
经过筛选，Vicuna-13B的推理效果据说达到了ChatGPT的90%以上的能力，优于LLaMA-13B和Alpaca-13B的效果（具体如下图所示）。评估方法是对各个模型Alpaca、LLaMA、ChatGPT和Bard输入同样的问题，然后通过GPT-4当裁判对推理结果进行打分，以ChatGPT的回答作为100分，回答越接近得分越高（虽然评估方法并不科学，但是目前看也没有更好的办法对模型推理结果进行更科学的评估）。
同时Vicuna的训练成本也很低，据说只需要$300左右，所以尝试本地化部署一下Vicuna-7B，看看效果如何，说干就干。
环境准备
由于之前本地化部署过Alpaca-lora模型了，本以为可以直接下载开源包，简单部署一下就可以看到效果了，结果发现我还是“too young，too simple”了，环境部署和解决包冲突的过程竟然比第一次部署Alpaca-lora模型还要费劲。
简单的复述一下部署流程，详细的可以参考上一篇内容《GPT大语言模型Alpaca-lora本地化部署实践》。
- 本地化部署或GPU云主机部署：GPU服务器具有4块独立的GPU，型号是P40，单个P40算力相当于60个同等主频CPU的算力；GPU云主机要选购P40https://www.jdcloud.com/cn/calculator/calHost
- 安装显卡驱动和CUDA驱动
模型准备
由于Vicuna 是基于LLaMA模型的，为了符合LLaMA 模型license授权，仅发布了 delta 权重，所以我们需要将原始llama-7b模型与delta模型权重合并之后，才能得到vicuna权重。
首先是下载llama-7b模型，由于文件比较大，所以用lfs直接从文件服务器上下载，大小有26G，执行：
git lfsclonehttps://huggingface.co/decapoda-research/llama-7b-hf
然后是下载delta模型，执行：
git lfsclonehttps://huggingface.co/lmsys/vicuna-7b-delta-v1.1
下载完成后进行权重合并，执行：
python -m fastchat.model.apply_delta \ --base ./model/llama-7b-hf \ --delta ./model/vicuna-7b-delta-v1.1 \ --target ./model/vicuna-7b-all-v1.1
这个合并过程会很快，最终结果如下，合并之后参数大小变成了13G。
合并之后的目录下会有配置文件和数据文件。
安装依赖包
Vicuna主要用到3个依赖包，fschat、tensorboardX和flash-attn，前2个安装比较顺利，直接pip install fschat、tensorboardX即可安装完成。flash-attn安装遇到了问题，一直报以下错误：
经过一番检索，发现是gcc版本太低导致的，需要升级gcc，首先查看了一下本地的gcc版本，gcc -v和g++ -v发现是4.8.5的，确实是太低了，那么既然要升级，就升级到最新版，直接下载13.1版本，可以在
http://ftp.gnu.org/gnu/gcc/选择想要安装的版本，这里选择的是gcc-13.1.0.tar.gz。
执行：
tar -xzf gcc-13.1.0.tar.gz
cd gcc-13.1.0
./contrib/download_prerequisites
mkdir build
cd build/
../configure -enable-checking=release -enable-languages=c,c++ -disable-multilib
然后执行make编译，注意这里make时间会非常长，可能会持续几个小时，可以使用 make -j 8让make最多运行8个编译命令同时运行，加快编译速度。
顺利完成后，我们再执行make install进行安装。
然后用gcc -v和g++ -v验证版本是否已经更新，如果提示如下，说明安装完成。
然后我们需要卸载原有的gcc和g++，切换到root权限，执行yum -y remove gcc g++。
配置新版本全局可用，执行ln -s /usr/local/bin/gcc /usr/bin/gcc。
更新链接库，执行：
查看原链接库：strings /usr/lib64/libstdc++.so.6 | grep CXXABI
删除原链接库：rm -f /usr/lib64/libstdc++.so.6
建立软连接：ln -s /usr/local/lib64/libstdc++.so.6.0.29 /usr/lib64/libstdc++.so.6
查看新链接库：strings /usr/lib64/libstdc++.so.6 | grep CXXABI
如果最新版本有变化，那么恭喜你，说明已经升级成功啦。
安装cuda
由于之前是用rpm包安装的cuda，有些文件是缺失的，运行时会报各种奇奇怪怪的错误，这里就不赘述了（只有经历过才会懂），直接介绍用二进制文件安装cuda过程。
注意这里要选择runfile(local)。
然后执行sh
cuda\_11.7.0\_515.43.04_linux.run。
安装完成后，需要配置环境变量，在本地.bash_profile中配置如下两项：
下面验证一下安装是否成功，执行nvcc -V，如下图所示，那么恭喜你，安装成功啦。
安装cudnn和nccl
安装cudnn和nccl需要先在nvidia注册账号，注册之后可以在以下两个地址下载相应的rpm包，然后rpm -ivh XXXXX.rpm包即可。
cudnn下载地址： https://developer.nvidia.com/cudnn
nccl下载地址： https://developer.nvidia.com/nccl/nccl-legacy-downloads
安装完成后，如下图所示说明已经安装成功rpm包。
模型推理
又到激动人心的时刻啦，让我们来测试一下看看模型的推理效果如何？首先我们先擦拭一下还没有干透辛勤的汗水，一切努力，都是为了最终能跟机器人程序对上话，理想情况是让我们感觉它并不是一个机器人。
在终端执行如下命令，然后输入问题即可。
python -m fastchat.serve.cli --model-path ./model/vicuna-7b-all-v1.1 --style rich
当然，还可以根据不同的需求场景，设置不用的运行参数，如下：
压缩模型 预测效果会稍差一点，适合GPU显存不够的场景
python -m fastchat.serve.cli --model-path ./model/vicuna-7b-all-v1.1 --load-8bit --style rich
使用cpu进行推理，速度会很慢，慎用
python -m fastchat.serve.cli --model-path ./model/vicuna-7b-all-v1.1 --device cpu --style rich
使用多个GPU进行预测
python -m fastchat.serve.cli --model-path ./model/vicuna-7b-all-v1.1 --num-gpus 3 --style rich
1）推荐菜谱测试：
2）多语言测试：
3）代码能力测试：
4）数学计算测试
5）普通对话推荐
推理过程中GPU服务器资源使用情况，目前使用单GPU进行推理，都可以做到秒级响应，GPU内存空加载13G，推理时不到15G，推理时单GPU算力基本可以达到90%以上，甚至100%，如下图所示。
总结一下：
1）对精确的推理效果并不是很理想，比如推荐菜谱，感觉是在一本正经的胡说八道，按照推理的结果很难做出可口的饭菜️；
2）对多种自然语言的支持，这个真的是出乎预料，竟然日语和西班牙语完全都能够自如应对，可以说是相当的惊艳了；
3）编码能力还是可以的，能够大概给出基本需求，当然如果想直接编译执行可能还需要人工微调，但是作为辅助工具应该是没问题的；
4）数据计算能力目前看还是比较弱的，简单的乘法目前还不能够给出正确的答案；
5）普通的对话是完全没有问题的，对中文的理解也完全能否符合预期，解解闷排解一下孤独是能够cover住的。
由于模型目前还没有做fine-tuning，从目前的推理效果来看，已经是非常不错了，而且推理的效率也是非常不错的，即使使用单GPU进行推理也可以做到秒级响应，而且推理过程中显存占用也才只有60%多，跟空载时候的50%多没差多少，总之在没有经过fine-tuning的情况下，模型的推理表现和推理效率还是可以打7-8分（满分10分）的，如果假以时日，有足够的语料库和进行fine-tuning的话，效果还是可期的。
模型fine-tuning
要想使模型适合某一特定领域内的场景，获取特定领域的知识是必不可少的，基于原始模型就要做fine-tuning操作，那么我们尝试做一下fine-tuning，看看效果如何吧。
fine-tuning需要在终端执行一下命令：
torchrun --nproc_per_node=3 --master_port=40001 ./FastChat/fastchat/train/train_mem.py \
--model_name_or_path ./model/llama-7b-hf \
--data_path dummy.json \
--bf16 False \
--output_dir ./model/vicuna-dummy \
--num_train_epochs 2 \
--per_device_train_batch_size 1 \
--per_device_eval_batch_size 1 \
--gradient_accumulation_steps 8 \
--evaluation_strategy "no" \
--save_strategy "steps" \
--save_steps 300 \
--save_total_limit 10 \
--learning_rate 2e-5 \
--weight_decay 0. \
--warmup_ratio 0.03 \
--lr_scheduler_type "cosine" \
--logging_steps 1 \
--report_to "tensorboard" \
--fsdp "full_shard auto_wrap" \
--fsdp_transformer_layer_cls_to_wrap 'LlamaDecoderLayer' \
--tf32 False \
--model_max_length 2048 \
--gradient_checkpointing True \
--lazy_preprocess True
最终./model/vicuna-dummy目录输出就是我们fine-tuning之后的模型权重文件目录。
很遗憾，本文fine-tuning没有成功，报错如下：
原因也很简单，由于我们使用的GPU型号是Tesla P40，此款显卡使用的SM\_62架构，目前模型fine-tuning至少需要SM\_75及以上架构，看社区有在4090、A100或者A80显卡上fine-tuning成功的，所以fine-tuning只能后续再更高架构的显卡上进行了。
后续工作
终上，Vicuna模型在整体表现和推理效率上可以说是秒杀Alpaca模型的，我们本文测试用的是Vicuna-7b，如果是Vicuna-13b效果会更好，而且对多种自然语言（包含中文）的支持也要远远好于Alpaca模型，确实像社区所说的，目前Vicuna模型可以说是开源大模型的天花板了，如果想基于开源大模型进行二次开发，是个不二的选择。
基于大模型的本地化部署工作目前就告一段落了，后续做的工作可能有以下几点：
1）如果有更好的显卡，可以对vicuna进行fine-tuinig，验证一下fine-tuning之后模型能不能学到特定领域的知识；后续准备使用公司内部提供的试用资源【京东云GPU云主机p.n3a100系列】，这个产品提供Nvidia® A100 GPU（80G显存），搭配使用Intel® Xeon® Platinum 8338C 处理器及DDR4内存，支持NVLink，单精度浮点运算峰值能达到156TFlops，可以说是最强算力了。
2）找到合适的与目前应用结合的场景，将大语言模型应用落地；
3）基于vicuna开源项目进行二次开发，封装成可用的服务；
4）基于大语言模型进行更多的探索和学习。
来源：京东云开发者社区
作者：Beyond_luo（未经授权请勿转载）