开源模型应用落地-qwen-7b-chat与vllm实现推理加速的正确姿势（一）

一、前言

    基于真实生产级项目分享，帮助有需要的同学快速构建完整可交付项目

    项目流程包括（去掉业务部分）：

1.   开源模型测试，包括baichuan、qwen、chatglm、bloom
2.   数据爬取及清洗
3.   模型微调及评估
4.   搭建AI交互能力
5.   搭建IM交互能力
6.   搭建违禁词识别能力
7.   优化模型推理速度
8.   增强模型长期记忆能力

二、术语介绍

    2.1. vLLM

    vLLM是一个开源的大模型推理加速框架，通过PagedAttention高效地管理attention中缓存的张量，实现了比HuggingFace Transformers高14-24倍的吞吐量。

    2.2. qwen-7b

    通义千问-7B（Qwen-7B） 是阿里云研发的通义千问大模型系列的70亿参数规模的模型。 

    2.3.Anaconda

    Anaconda（官方网站）就是可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。

---

三、构建环境

    3.1. 基础环境及前置条件

1.  操作系统：centos7
2.  Tesla V100-SXM2-32GB  CUDA Version: 12.2
3.  提前下载好qwen-7b-chat模型

          通过以下两个地址进行下载，优先推荐魔搭

          https://modelscope.cn/models/qwen/Qwen-7B-Chat/files

          ​​​​​​https://huggingface.co/Qwen/Qwen-7B-Chat/tree/main

          

    3.2. Anaconda安装

        1.  更新软件包

              sudo yum upgrade -y

         2. 下载Anaconda

             wget https://repo.anaconda.com/archive/Anaconda3-2022.10-Linux-x86_64.sh

         3. 安装

             默认安装

             bash Anaconda3-2022.10-Linux-x86_64.sh

             -p 指定安装目录为/opt/anaconda3

             bash Anaconda3-2022.10-Linux-x86_64.sh -p /opt/anaconda3

          4. 初始化

             source ~/.bashrc

          5. 验证安装结果

              conda --version

          6. 配置镜像源

              conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
              conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
              conda config --set show_channel_urls yes

    3.3. 创建虚拟环境

        2.3.1.创建新环境

            conda create --name vllm python=3.10

        2.3.2.切换环境

            conda activate vllm

  3.4. vLLM安装

        2.4.1.安装软件包

             pip install vllm -i https://pypi.tuna.tsinghua.edu.cn/simple

             pip install tiktoken -i https://pypi.tuna.tsinghua.edu.cn/simple

             ps: vllm版本为0.2.7，tiktoken版本为0.5.2

        2.4.2.查看已软件包   

            conda list 或者 pip list 

            注意：上述命令必须先切换至vllm虚拟环境

四、部署服务

    4.1. 启动vllm服务

        python -m vllm.entrypoints.api_server  --model  /data/model/qwen-7b-chat  --swap-space 24 --disable-log-requests --trust-remote-code --max-num-seqs 256 --host 0.0.0.0 --port 9000  --dtype float16 --max-parallel-loading-workers 1  --enforce-eager

        常用参数：

         --model
           Name or path of the huggingface model to use.

         --trust-remote-code
           Trust remote code from huggingface

        --dtype {auto,half,float16,bfloat16,float,float32}
          Data type for model weights and activations.
             • “auto” will use FP16 precision for FP32 and FP16 models, and BF16 precision for BF16 models.
             • “half” for FP16. Recommended for AWQ quantization.
             • “float16” is the same as “half”.
             • “bfloat16” for a balance between precision and range.
            • “float” is shorthand for FP32 precision.
            • “float32” for FP32 precision

         --swap-space
            CPU swap space size (GiB) per GPU.

         --max-num-seqs
            Maximum number of sequences per iteratio

          --quantization (-q) {awq,squeezellm,None}
            Method used to quantize the weights.

---

五、测试

    5.1. 流式案例

import threading
import requests
import json

class MyThread(threading.Thread):
    def run(self):
        headers = {"User-Agent": "Stream Test"}
        pload = {
                "prompt": "<|im_start|>system\n你是一位知名作家,名字叫张三，你擅长写作.<|im_end|>\n<|im_start|>user\n以中秋为主写一篇1000字的文章<|im_end|>\n<|im_start|>assistant\n",
                "n": 1,
                "temperature": 0.35,
                "max_tokens": 8192,
                "stream": True,
                "stop": ["<|im_end|>", "<|im_start|>",]
            }
        #此处端口9000要与vLLM Server发布的端口一致
        response = requests.post("http://127.0.0.1:9000/generate", headers=headers, json=pload, stream=True)


        for chunk in response.iter_lines(chunk_size=8192, decode_unicode=False, delimiter=b"\0"):
                if chunk:
                    now_thread = threading.current_thread()
                    data = json.loads(chunk.decode("utf-8"))
                    output = data["text"]
                    print(f'now thread name: {now_thread.name},output: {output}')

if __name__ == '__main__':
    threads = []
    for i in range(1, 10, 1):
        t = MyThread()
        threads.append(t)

    # 启动线程
    for t in threads:
        t.start()

    # 等待所有线程完成
    for t in threads:
        t.join()

五、后续

1. 支持多轮对话
2. 支持高可用
3. 兼容复杂业务场景
4. 性能优化