LMDeploy高效部署Llama-3-8B，1.8倍vLLM推理效率

显示全部楼层

Llama 3 近期重磅发布，发布了 8B 和 70B 参数量的模型，LMDeploy 对 Llama 3 部署进行了光速支持，同时对 LMDeploy 推理 Llama 3-8B 进行了测试，在公平比较的条件下推理效率是 vLLM 的 1.8 倍。

书生·浦语和机智流社区同学光速投稿了 LMDeploy 高效量化部署 Llama 3 实践教程，欢迎 Star。

LMDeploy：（文末点击阅读原文可直达）

https://github.com/internLM/LMDeploy

Llama 3 全系列中文课程：

https://github.com/SmartFlowAI/Llama3-Tutorial

本文将分为以下几个部分来介绍，如何使用 LMDeploy来部署 Llama 3（以 InternStudio 的环境为例）。

环境、模型准备
LMDeploy Chat CLI 工具
LMDeploy 模型量化（lite）
LMDeploy 服务（serve）
LMDeploy Llama 3 推理测速
使用 LMDeploy 运行视觉多模态大模型 Llava-Llama-3

1. 环境，模型准备

1.1 环境配置

#如果你是InternStudio可以直接使用#studio-conda-tlmdeploy-opytorch-2.1.2#初始化环境condacreate-nlmdeploypython=3.10condaactivatelmdeploycondainstallpytorch==2.1.2torchvision==0.16.2torchaudio==2.1.2pytorch-cuda=12.1-cpytorch-cnvidia

安装 LMDeploy 最新版

pipinstall-Ulmdeploy

1.2 Llama3 的下载

安装 git-lfs 依赖

condainstallgitapt-getinstallgit-lfsgit-lfsinstall

下载模型

mkdir-p~/modelcd~/modelgitclonehttps://code.openxlab.org.cn/MrCat/Llama-3-8B-Instruct.gitMeta-Llama-3-8B-Instruct

或者软链接 InternStudio 中的模型

mkdir-p~/modelln-s/root/share/new_models/meta-llama/Meta-Llama-3-8B-Instruct~/model/Meta-Llama-3-8B-Instruct

2. LMDeploy Chat CLI 工具

直接在终端运行：

condaactivatelmdeploylmdeploychat/root/model/Meta-Llama-3-8B-Instruct

运行结果是：

3. LMDeploy 模型量化（lite）

本部分内容主要介绍如何对模型进行量化。主要包括 W4A16 量化和 KV INT8、INT4 量化。

3.1 设置最大 KV Cache 缓存大小

模型在运行时，占用的显存可大致分为三部分：模型参数本身占用的显存、KV Cache 占用的显存，以及中间运算结果占用的显存。LMDeploy 的 KV Cache 管理器可以通过设置 --cache-max-entry-count 参数，控制 KV 缓存占用剩余显存的最大比例。默认的比例为 0.8。

下面通过几个例子，来看一下调整 --cache-max-entry-count 参数的效果。首先保持不加该参数（默认0.8），运行 Llama3-8b 模型。

lmdeploychat/root/model/Meta-Llama-3-8B-Instruct/

新建一个终端运行。

#如果你是InternStudio就使用#studio-sminvidia-smi

此时模型的占用为 33236M。下面，改变`--cache-max-entry-count`参数，设为 0.5。

lmdeploychat/root/model/Meta-Llama-3-8B-Instruct/--cache-max-entry-count0.5

新建一个终端运行。

#如果你是InternStudio就使用#studio-sminvidia-smi

看到显存占用明显降低，变为 26708 M。

下面来一波“极限”，把 --cache-max-entry-count 参数设置为 0.01，约等于禁止 KV Cache 占用显存。

lmdeploychat/root/model/Meta-Llama-3-8B-Instruct/--cache-max-entry-count0.01

然后与模型对话，可以看到，此时显存占用仅为 16176M，代价是会降低模型推理速度。

3.2 使用 W4A16 量化权重

仅需执行一条命令，就可以完成模型量化工作。

lmdeployliteauto_awq\/root/model/Meta-Llama-3-8B-Instruct\--calib-dataset'ptb'\--calib-samples128\--calib-seqlen1024\--w-bits4\--w-group-size128\--work-dir/root/model/Meta-Llama-3-8B-Instruct_4bit

运行时间较长，请耐心等待。量化工作结束后，新的 HF 模型被保存到 Meta-Llama-3-8B-Instruct_4bit 目录。下面使用 Chat 功能运行 W4A16 量化后的模型。

lmdeploychat/root/model/Meta-Llama-3-8B-Instruct_4bit--model-formatawq

为了更加明显体会到 W4A16 的作用，我们将 KV Cache 比例再次调为 0.01，查看显存占用情况。

lmdeploychat/root/model/Meta-Llama-3-8B-Instruct_4bit--model-formatawq--cache-max-entry-count0.01

可以看到，显存占用变为 16176MB，明显降低。

3.3 在线量化 KV

自 v0.4.0 起，LMDeploy KV 量化方式有原来的离线改为在线。并且，支持两种数值精度 int4、int8。量化方式为 per-head per-token 的非对称量化。它具备以下优势：

量化不需要校准数据集。
kv int8 量化精度几乎无损，kv int4 量化精度在可接受范围之内。
推理高效，在 llama2-7b 上加入 int8/int4 kv 量化，RPS 相较于 fp16 分别提升近 30% 和 40%。
支持 volta 架构（sm70）及以上的所有显卡型号：V100、20系列、T4、30系列、40系列、A10、A100 等等。

通过 LMDeploy 应用 kv 量化非常简单，只需要设定 quant_policy 参数。LMDeploy 规定 qant_policy=4表示 kv int4 量化，quant_policy=8 表示 kv int8 量化。

4. LMDeploy服务（serve）

在前面的章节，我们都是在本地直接推理大模型，这种方式成为本地部署。在生产环境下，我们有时会将大模型封装为 API 接口服务，供客户端访问。

4.1 启动 API 服务器

通过以下命令启动 API 服务器，推理 Meta-Llama-3-8B-Instruct 模型：

lmdeployserveapi_server\/root/model/Meta-Llama-3-8B-Instruct\--model-formathf\--quant-policy0\--server-name0.0.0.0\--server-port23333\--tp1

其中，model-format、quant-policy 这些参数是与第三章中量化推理模型一致的；server-name 和 server-port 表示 AP I服务器的服务 IP 与服务端口；tp 参数表示并行数量（GPU 数量）。

通过运行以上指令，我们成功启动了 API 服务器，请勿关闭该窗口，后面我们要新建客户端连接该服务。

你也可以直接打开 http://{host}:23333 查看接口的具体使用说明，如下图所示。

注意，这一步由于 Server 在远程服务器上，所以本地需要做一下 ssh 转发才能直接访问。在你本地打开一个 cmd 窗口，输入命令如下：

ssh-CNg-L23333:127.0.0.1:23333root@ssh.intern-ai.org.cn-p你的ssh端口号

ssh 端口号就是下面图片里的 39864，请替换为你自己的。

然后打开浏览器，访问 http://127.0.0.1:23333。

4.2 命令行客户端连接 API 服务器

在“4.1”中，我们在终端里新开了一个 API 服务器。

本节中，我们要新建一个命令行客户端去连接 API 服务器。首先通过 VS Code 新建一个终端。

激活 conda 环境：

condaactivatelmdeploy

运行命令行客户端：

lmdeployserveapi_clienthttp://localhost:23333

运行后，可以通过命令行窗口直接与模型对话。

4.3 网页客户端连接 API 服务器

关闭刚刚的 VSCode 终端，但服务器端的终端不要关闭。

运行之前确保自己的 gradio 版本低于 4.0.0。

pipinstallgradio==3.50.2

新建一个 VSCode 终端，激活 conda 环境。

condaactivatelmdeploy

使用 Gradio 作为前端，启动网页客户端。

lmdeployservegradiohttp://localhost:23333\--server-name0.0.0.0\--server-port6006

打开浏览器，访问地址 http://127.0.0.1:6006

然后就可以与模型进行对话了！

拓展部分

5.LMDeploy Llama3 推理测速

使用 LMDeploy 在 A100（80G）推理 Llama-3-8B-Instruct，每秒请求处理数（RPS）高达 25，是 vLLM 推理效率的 1.8+ 倍。

它的 benchmark 方式如下：

克隆仓库

cd~gitclonehttps://github.com/Shengshenlan/Llama3-XTuner-CN.git

下载测试数据

cd/root/lmdeploywgethttps://hf-mirror.com/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json

执行 benchmark 命令（如果你的显存较小，可以调低 --cache-max-entry-count）

pythonbenchmark/profile_throughput.py\ShareGPT_V3_unfiltered_cleaned_split.json\/root/model/Meta-Llama-3-8B-Instruct\--cache-max-entry-count0.95\--concurrency256\--model-formathf\--quant-policy0\--num-prompts10000

结果是：

concurrency: 256elapsed_time: 399.739s
first token latency(s)(min, max, ave): 0.068, 4.066, 0.285per-token latency(s) percentile(50, 75, 95, 99): [0, 0.094, 0.169, 0.227]
number of prompt tokens: 2238364number of completion tokens: 2005448token throughput (completion token): 5016.892 token/stoken throughput (prompt + completion token): 10616.453 token/sRPS (request per second): 25.016 req/sRPM (request per minute): 1500.979 req/min

6. 使用 LMDeploy

运行视觉多模态大模型

Llava-Llama-3

6.1 安装依赖

pipinstallgit+https://github.com/haotian-liu/LLaVA.git

6.2 运行模型

运行 touch /root/pipeline_llava.py 新建一个文件夹，复制下列代码进去：

from lmdeploy import pipeline, ChatTemplateConfigfrom lmdeploy.vl import load_imagepipe = pipeline('xtuner/llava-llama-3-8b-v1_1-hf',        chat_template_config=ChatTemplateConfig(model_name='llama3'))
image = load_image('https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/tests/data/tiger.jpeg')response = pipe(('describe this image', image))print(response.text)

运行结果为：