LLM 大模型學習必知必會系列(十二)：VLLM性能飛躍部署實踐：從推理加速到高效部署的全方位優(yōu)化[更多內(nèi)容：XInference/FastChat等框架]

訓練后的模型會用于推理或者部署。推理即使用模型用輸入獲得輸出的過程，部署是將模型發(fā)布到恒定運行的環(huán)境中推理的過程。一般來說，LLM的推理可以直接使用PyTorch代碼、使用 VLLM / XInference / FastChat 等框架，也可以使用 llama.cpp / chatglm.cpp / qwen.cpp 等c++推理框架。

• 常見推理方法
  • Greedy Search 貪婪搜索方式 。按照前面的講解，模型會按照詞表尺寸生成概率。貪婪方式會不斷選擇生成概率最大的token。該方法由于無腦選擇了最大概率，因此模型會傾向于生成重復的文字，一般實際應用中很少使用
  • Beam Search 和貪婪方式的區(qū)別在于，beam search會選擇概率最大的k個。在生成下一個token時，每個前序token都會生成k個，這樣整體序列就有k^2個，從這些序列中選擇組合概率最大的k個，并遞歸地執(zhí)行下去。k在beam search算法中被稱為beam_size
  • Sample 隨機采樣方式。按照詞表每個token的概率采樣一個token出來。這個方式多樣性更強，是目前主流的生成方式。

1. 前言

1.1 重要推理超參數(shù)

• do_sample：布爾類型。是否使用隨機采樣方式運行推理，如果設置為False，則使用beam_search方式

• temperature：大于等于零的浮點數(shù)。公式為：

  $$
  q_i=\frac{\exp(z_i/T)}{\sum_{j}\exp(z_j/T)}\
  $$

  從公式可以看出，如果T取值為0，則效果類似argmax，此時推理幾乎沒有隨機性；取值為正無窮時接近于取平均。一般temperature取值介于[0, 1]之間。取值越高輸出效果越隨機。

  如果該問答只存在確定性答案，則T值設置為0。反之設置為大于0。

• top_k：大于0的正整數(shù)。從k個概率最大的結果中進行采樣。k越大多樣性越強，越小確定性越強。一般設置為20~100之間。

  • 實際實驗中可以先從100開始嘗試，逐步降低top_k直到效果達到最佳。

• top_p：大于0的浮點數(shù)。使所有被考慮的結果的概率和大于p值，p值越大多樣性越強，越小確定性越強。一般設置0.7~0.95之間。

  • 實際實驗中可以先從0.95開始降低，直到效果達到最佳。
  • top_p比top_k更有效，應優(yōu)先調(diào)節(jié)這個參數(shù)。

• repetition_penalty： 大于等于1.0的浮點數(shù)。如何懲罰重復token，默認1.0代表沒有懲罰。

1.2 KVCache

上面我們講過，自回歸模型的推理是將新的token不斷填入序列生成下一個token的過程。那么，前面token已經(jīng)生成的中間計算結果是可以直接利用的。具體以Attention結構來說：

$$
\text { Attention }(Q, K, V)=\operatorname{softmax}\left(\frac{Q K^T}{\sqrt{d_k}}\right) V
$$

推理時的Q是單token tensor，但K和V都是包含了所有歷史token tensor的長序列，因此KV是可以使用前序計算的中間結果的，這部分的緩存就是KVCache，其顯存占用非常巨大。

2. VLLM框架

網(wǎng)址: https://github.com/vllm-project/vllm

vLLM是一個開源的大模型推理加速框架，通過PagedAttention高效地管理attention中緩存的張量，實現(xiàn)了比HuggingFace Transformers高14-24倍的吞吐量。

PagedAttention 是 vLLM 的核心技術，它解決了LLM服務中內(nèi)存的瓶頸問題。傳統(tǒng)的注意力算法在自回歸解碼過程中，需要將所有輸入Token的注意力鍵和值張量存儲在GPU內(nèi)存中，以生成下一個Token。這些緩存的鍵和值張量通常被稱為KV緩存。

• 主要特性
  • 通過PagedAttention對 KV Cache 的有效管理
  • 傳入請求的continus batching，而不是static batching
  • 支持張量并行推理
  • 支持流式輸出
  • 兼容 OpenAI 的接口服務
  • 與 HuggingFace 模型無縫集成

VLLM支持絕大多數(shù)LLM模型的推理加速。它使用如下的方案大幅提升推理速度：

1. Continuous batching

   • 在實際推理過程中，一個批次多個句子的輸入的token長度可能相差很大，最后生成的模型輸出token長度相差也很大。在python樸素推理中，最短的序列會等待最長序列生成完成后一并返回，這意味著本來可以處理更多token的GPU算力在對齊過程中產(chǎn)生了浪費。continous batching的方式就是在每個句子序列輸出結束后馬上填充下一個句子的token，做到高效利用算力。

     

     

2. PagedAttention

   • 推理時的顯存占用中，KVCache的碎片化和重復記錄浪費了50%以上的顯存。VLLM將現(xiàn)有輸入token進行物理分塊，使每塊顯存內(nèi)部包含了固定長度的tokens。在進行Attention操作時，VLLM會從物理塊中取出KVCache并計算。因此模型看到的邏輯塊是連續(xù)的，但是物理塊的地址可能并不連續(xù)。這和虛擬內(nèi)存的思想非常相似。另外對于同一個句子生成多個回答的情況，VLLM會將不同的邏輯塊映射為一個物理塊，起到節(jié)省顯存提高吞吐的作用。

值得注意的是，VLLM會默認將顯卡的全部顯存預先申請以提高緩存大小和推理速度，用戶可以通過參數(shù) gpu_memory_utilization 控制緩存大小。

首先安裝VLLM：

pip install vllm

import os
os.environ['VLLM_USE_MODELSCOPE'] = 'True'
from vllm import LLM, SamplingParams
prompts = [
    "Hello, my name is",
    "The president of the United States is",
    "The capital of France is",
    "The future of AI is",
]
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)
llm = LLM(model="qwen/Qwen-1_8B", trust_remote_code=True)
outputs = llm.generate(prompts, sampling_params)

#Print the outputs.
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

注意，截止到本文檔編寫完成，VLLM對Chat模型的推理支持（模板和結束符）存在問題，在實際進行部署時請考慮使用SWIFT或者FastChat。

LLM的generate方法支持直接輸入拼接好的tokens(prompt_token_ids參數(shù)，此時不要傳入prompts參數(shù))，所以外部可以按照自己的模板進行拼接后傳入VLLM，SWIFT就是使用了這種方法

在量化章節(jié)中我們講解了 AWQ量化 ，VLLM直接支持傳入量化后的模型進行推理：

from vllm import LLM, SamplingParams
import os
import torch
os.environ['VLLM_USE_MODELSCOPE'] = 'True'

#Sample prompts.
prompts = [
    "Hello, my name is",
    "The president of the United States is",
    "The capital of France is",
    "The future of AI is",
]
#Create a sampling params object.
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

#Create an LLM.
llm = LLM(model="ticoAg/Qwen-1_8B-Chat-Int4-awq", quantization="AWQ", dtype=torch.float16, trust_remote_code=True)
#Generate texts from the prompts. The output is a list of RequestOutput objects
#that contain the prompt, generated text, and other information.
outputs = llm.generate(prompts, sampling_params)
#Print the outputs.
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

VLLM官方文檔可以查看 這里 。

3.SWIFT

網(wǎng)址： https://github.com/modelscope/swift/tree/main

SWIFT（Scalable lightWeight Infrastructure for Fine-Tuning）是基于PyTorch的輕量級、開箱即用的模型微調(diào)、推理框架。它不僅集成了各類開源tuners，如LoRA、QLoRA、Adapter等，并且融合了ModelScope獨立自研的特有tuner ResTuning，得益于此，各個模態(tài)的開發(fā)者均可以找到適合自己模型的開發(fā)方式。

SWIFT的tuners不僅適配于所有Transformer結構的模型，也適配于其他結構的深度學習模型，做到一行代碼創(chuàng)建可微調(diào)模型，實現(xiàn)參數(shù)高效、內(nèi)存高效和時間高效的訓練流程。

SWIFT可以無縫集成到ModelScope生態(tài)系統(tǒng)中，打通數(shù)據(jù)集讀取、模型下載、模型訓練、模型推理、模型上傳等流程。此外，SWIFT與PEFT完全兼容， 熟悉PEFT的用戶可以使用SWIFT能力結合ModelScope的模型進行便捷地訓練推理。

作為ModelScope獨立自研的開源輕量級tuner ResTuning，該技術在cv、多模態(tài)等領域均經(jīng)過了系列驗證，在訓練效果和其他微調(diào)方法相當?shù)那闆r下，可以做到顯存節(jié)省30%~60%，為cv、多模態(tài)模型的訓練提供了新的范式，在未來會應用在越來越多的場景上。

• SWIFT 框架主要特征特性：
  • 具備SOTA特性的Efficient Tuners：用于結合大模型實現(xiàn)輕量級（在商業(yè)級顯卡上，如RTX3080、RTX3090、RTX4090等）訓練和推理，并取得較好效果
  • 使用ModelScope Hub的Trainer：基于transformers trainer提供，支持LLM模型的訓練，并支持將訓練后的模型上傳到ModelScope Hub中
  • 可運行的模型Examples：針對熱門大模型提供的訓練腳本和推理腳本，并針對熱門開源數(shù)據(jù)集提供了預處理邏輯，可直接運行使用
  • 支持界面化訓練和推理

在SWIFT中，我們支持了VLLM的推理加速手段。

pip install ms-swift[llm] openai

只需要運行下面的命令就可以使用VLLM加速推理：

swift infer --model_id_or_path qwen/Qwen-1_8B-Chat --max_new_tokens 128 --temperature 0.3 --top_p 0.7 --repetition_penalty 1.05 --do_sample true

也支持在部署中使用VLLM：

swift deploy --model_id_or_path qwen/Qwen-1_8B-Chat --max_new_tokens 128 --temperature 0.3 --top_p 0.7 --repetition_penalty 1.05 --do_sample true

調(diào)用：

from openai import OpenAI
client = OpenAI(
    api_key='EMPTY',
    base_url='http://localhost:8000/v1',
)
model_type = client.models.list().data[0].id
print(f'model_type: {model_type}')

query = '浙江的省會在哪里?'
messages = [{
    'role': 'user',
    'content': query
}]
resp = client.chat.completions.create(
    model=model_type,
    messages=messages,
    seed=42)
response = resp.choices[0].message.content
print(f'query: {query}')
print(f'response: {response}')

#流式
messages.append({'role': 'assistant', 'content': response})
query = '這有什么好吃的?'
messages.append({'role': 'user', 'content': query})
stream_resp = client.chat.completions.create(
    model=model_type,
    messages=messages,
    stream=True,
    seed=42)

print(f'query: {query}')
print('response: ', end='')
for chunk in stream_resp:
    print(chunk.choices[0].delta.content, end='', flush=True)
print()

"""Out[0]
model_type: qwen-7b-chat
query: 浙江的省會在哪里?
response: 浙江省的省會是杭州市。
query: 這有什么好吃的?
response: 杭州有許多美食，例如西湖醋魚、東坡肉、龍井蝦仁、叫化童子雞等。此外，杭州還有許多特色小吃，如西湖藕粉、杭州小籠包、杭州油條等。
"""

4.llama.cpp

llama.cpp是使用c++語言編寫的對llama系列模型進行高效推理或量化推理的開源庫。該庫使用了ggml底層計算庫進行推理。在使用之前需要額外將python的weights轉(zhuǎn)為ggml格式或gguf格式方可使用。和llama.cpp類似，還有兼容ChatGLM模型的chatglm.cpp和兼容qwen模型的qwen.cpp和mistral的mistral.cpp。

安裝依賴：

pip install modelscope

git clone --recursive https://github.com/QwenLM/qwen.cpp && cd qwen.cpp
cmake -B build
cmake --build build -j --config Release

下載模型：

from modelscope import snapshot_download
print(snapshot_download('qwen/Qwen-1_8B-Chat'))
#/mnt/workspace/.cache/modelscope/qwen/Qwen-1_8B-Chat

將原始模型轉(zhuǎn)換為ggml支持的格式：

python3 qwen_cpp/convert.py -i /mnt/workspace/.cache/modelscope/qwen/Qwen-1_8B-Chat -t q4_0 -o qwen1_8b-ggml.bin
./build/bin/main -m qwen1_8b-ggml.bin --tiktoken /mnt/workspace/.cache/modelscope/qwen/Qwen-1_8B-Chat/qwen.tiktoken -p 你好
#你好！有什么我可以幫助你的嗎？

量化章節(jié)中我們介紹，GGML庫適合于CPU運行，因此推薦用戶在CPU環(huán)境中或邊緣計算中考慮cpp庫進行推理。

5.FastChat

FastChat Github地址: https://github.com/lm-sys/FastChat
FastChat架構： https://github.com/lm-sys/FastChat/blob/main/docs/server_arch.md

FastChat是一個開源推理庫，側重于模型的分布式部署實現(xiàn)，并提供了OpenAI樣式的RESTFul API。是一個開放平臺，用于訓練、服務和評估基于大型語言模型的聊天機器人。

• FastChat 的核心功能包括：
  • 最先進模型的訓練和評估代碼（例如，Vicuna、MT-Bench）。
  • 具有 Web UI 和 OpenAI 兼容 RESTful API 的分布式多模型服務系統(tǒng)

pip3 install "fschat[model_worker,webui]"
python3 -m fastchat.serve.controller

在新的terminal中啟動：

FASTCHAT_USE_MODELSCOPE=true python3 -m fastchat.serve.model_worker --model-path qwen/Qwen-1_8B-Chat --revision v1.0.0

之后在新的terminal中可以運行界面進行推理:

python3 -m fastchat.serve.gradio_web_server

6.DeepSpeed

網(wǎng)址： https://github.com/microsoft/DeepSpeed

網(wǎng)址： https://www.deepspeed.ai/training/

Deepspeed并行框架介紹 ： https://github.com/wzzzd/LLM_Learning_Note/blob/main/Parallel/deepspeed.md

Deepspeed是微軟推出的一個開源分布式工具，其集合了分布式訓練、推斷、壓縮等高效模塊。 該工具旨在提高大規(guī)模模型訓練的效率和可擴展性。它通過多種技術手段來加速訓練，包括模型并行化、梯度累積、動態(tài)精度縮放、本地模式混合精度等。DeepSpeed還提供了一些輔助工具，如分布式訓練管理、內(nèi)存優(yōu)化和模型壓縮等，以幫助開發(fā)者更好地管理和優(yōu)化大規(guī)模深度學習訓練任務。此外，deepspeed基于pytorch構建，只需要簡單修改即可遷移。 DeepSpeed已經(jīng)在許多大規(guī)模深度學習項目中得到了應用，包括語言模型、圖像分類、目標檢測等。

• DeepSpeed是由Microsoft提供的分布式訓練工具，旨在支持更大規(guī)模的模型和提供更多的優(yōu)化策略和工具。與其他框架相比，DeepSpeed支持更大規(guī)模的模型和提供更多的優(yōu)化策略和工具。其中，主要優(yōu)勢在于支持更大規(guī)模的模型、提供了更多的優(yōu)化策略和工具（例如 ZeRO 和 Offload 等）

  • 用 3D 并行化實現(xiàn)萬億參數(shù)模型訓練： DeepSpeed 實現(xiàn)了三種并行方法的靈活組合：ZeRO 支持的數(shù)據(jù)并行，流水線并行和張量切片模型并行。3D 并行性適應了不同工作負載的需求，以支持具有萬億參數(shù)的超大型模型，同時實現(xiàn)了近乎完美的顯存擴展性和吞吐量擴展效率。此外，其提高的通信效率使用戶可以在網(wǎng)絡帶寬有限的常規(guī)群集上以 2-7 倍的速度訓練有數(shù)十億參數(shù)的模型。
  • ZeRO-Offload 使 GPU 單卡能夠訓練 10 倍大的模型： 為了同時利用 CPU 和 GPU 內(nèi)存來訓練大型模型，我們擴展了 ZeRO-2。我們的用戶在使用帶有單張英偉達 V100 GPU 的機器時，可以在不耗盡顯存的情況下運行多達 130 億個參數(shù)的模型，模型規(guī)模擴展至現(xiàn)有方法的10倍，并保持有競爭力的吞吐量。此功能使數(shù)十億參數(shù)的模型訓練更加大眾化，，并為許多深度學習從業(yè)人員打開了一扇探索更大更好的模型的窗戶。
  • 通過 DeepSpeed Sparse Attention 用6倍速度執(zhí)行10倍長的序列： DeepSpeed提供了稀疏 attention kernel ——一種工具性技術，可支持長序列的模型輸入，包括文本輸入，圖像輸入和語音輸入。與經(jīng)典的稠密 Transformer 相比，它支持的輸入序列長一個數(shù)量級，并在保持相當?shù)木�度下獲得最高 6 倍的執(zhí)行速度提升。它還比最新的稀疏實現(xiàn)快 1.5–3 倍。此外，我們的稀疏 kernel 靈活支持稀疏格式，使用戶能夠通過自定義稀疏結構進行創(chuàng)新。
  • 1 比特 Adam 減少 5 倍通信量： Adam 是一個在大規(guī)模深度學習模型訓練場景下的有效的（也許是最廣為應用的）優(yōu)化器。然而，它與通信效率優(yōu)化算法往往不兼容。因此，在跨設備進行分布式擴展時，通信開銷可能成為瓶頸。我們推出了一種 1 比特 Adam 新算法，以及其高效實現(xiàn)。該算法最多可減少 5 倍通信量，同時實現(xiàn)了與Adam相似的收斂率。在通信受限的場景下，我們觀察到分布式訓練速度提升了 3.5 倍，這使得該算法可以擴展到不同類型的 GPU 群集和網(wǎng)絡環(huán)境。

• 推理框架小結

  • 如果CPU推理，llama.cpp 結合模型int4量化，最佳的選擇
  • GPU推理，微軟的 DeepSpeed-FastGen 是一個好的選擇
  • 手機終端推理，MLC LLM可以作為候選

更多優(yōu)質(zhì)內(nèi)容請關注公號：汀丶人工智能；會提供一些相關的資源和優(yōu)質(zhì)文章，免費獲取閱讀。