【AI大模型开发者指南】llama3命令行部署、量化、作为服务——lmdeploy实战

【AI大模型开发者指南】llama3命令行部署、量化、作为服务——lmdeploy实战

核心三要素

lmdeploy

• 测试/演示（命令行）
• 模型量化
• 后端服务

环境配置不在此再赘述，相关内容可以查看往期内容
lmdeploy介绍

命令行互动（一键启动）

lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct

如果遇到

Engine main loop stopped

报错，考虑切换启动命令

lmdeploy chat turbomind /root/model/Meta-Llama-3-8B-Instruct

命令行部署可能会因为lmdeploy版本不同导致效果不一样，如以上使用了旧版本deploy，模型推理牛头不对马嘴

以下使用最新版lmdeploy

推理正常

模型量化

通过最大kv缓存大小来控制显存占用

--cache-max-entry-count

默认为0.8，设置越小，模型占用显存越小，但是非线性

设置为0.01时，模型显存占用约为初始50%，但推理速度显著降低

W4A16量化

一键启动量化

lmdeploy lite auto_awq \
   /root/model/Meta-Llama-3-8B-Instruct \
  --calib-dataset 'ptb'\
  --calib-samples 128\
  --calib-seqlen 1024\
  --w-bits 4\
  --w-group-size 128\
  --work-dir /root/model/Meta-Llama-3-8B-Instruct_4bit

量化完成，启动量化后的模型

lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct_4bit --model-format awq

4bit输出如下

比较量化效果

原始模型

kv0.5

kv0.01

在这个程度上推理速度下降并不明显，和满血状态差别不大

kv0.0001

kv太过小时，没有输出

4b量化

kv0.5

kv0.01

此时显存仅占有约7g，推理效果依然相当可观，速度并没有明显下降

kv0.0001

kv0.0001的4b同样不会说话了

量化总结

0.80.50.010.0001origin68g/80g48g/80g16g/80g16g/80g4bit66g/80g43g/80g7g/80g6g/80g
注意，当kv0.0001时模型均不会输出，最小可用模型为4bit+kv0.01，简单问答效果和origin+kv0.8相当

后端服务

一键启动

lmdeploy serve api_server \
    /root/model/Meta-Llama-3-8B-Instruct \
    --model-format hf \
    --quant-policy 0\
    --server-name 0.0.0.0 \
    --server-port 23333\--tp1

转发到本地端口(本地terminal打开，输入以下）

ssh-CNg-L23333:127.0.0.1:23333 [email protected] -p{你的ssh端口号}

转发成功后，打开本地23333端口，可以看到swagger UI

除此之外，还可以回到远程服务器

lmdeploy serve api_client http://localhost:23333

cli chat

lmdeploy serve gradio http://localhost:23333 \
    --server-name 0.0.0.0 \
    --server-port 6006

gradio chat

当vscode跳出以下提示

这意味着端口已经转发到本地，无需再手动转发

lmdeploy的gradio demo有些跟不上版本了，所以text区域的更新出错了

此外，还可能遇到如下报错

这种情况需要删除原有的concurrency参数

textbox的报错

调整源代码中的update函数为postprogress，self为txtbox即可