最近在给我们的客户私有化部署我们的TorchV系统，客户给的资源足够充裕，借此机会记录下部署千问72B模型的过程，分享给大家！

一、基础信息

• 操作系统：Ubuntu 22.04.3 LTS

• GPU:A800(80GB) * 8

• 内存：1TB

Python: 3.10

Pytorch：2.3.0

Transformers：4.43.0

vLLM：0.5.1

cuda：12.2

模型:QWen2-72B-Instruct

三、安装步骤1、安装Conda

Conda 是一个开源的包管理系统和环境管理系统，旨在简化软件包的安装、配置和使用

对于Python环境的部署，能够非常方便的切换环境。

可以通过conda官网链接下载安装：

https://www.anaconda.com/download#downloads

#下载

wgethttps://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh

#安装

bashAnaconda3-2023.09-0-Linux-x86_64.sh

#配置环境变量

echo'exportPATH="/path/to/anaconda3/bin:$PATH"'>>~/.bashrc

source~/.bashrc

安装完成后，通过命令验证安装是否成功

conda--version

安装完成之后，可以配置镜像源，方便快速下载依赖包

#配置源

condaconfig--addchannelshttps://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

condaconfig--addchannelshttps://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

condaconfig--setshow_channel_urlsyes

condaconfig--addchannelshttps://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

condaconfig--addchannelshttps://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/

condaconfig--addchannelshttps://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/

condaconfig--addchannelshttps://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/

condaconfig--addchannelshttps://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

conda的相关命令

#指定虚拟环境名称为llm，python版本是3.10

condacreate--namellmpython=3.10

#激活conda新环境

condaactivatellm

#查看当前环境列表

condaenvlist

2、下载QWen2-72B-Instruct模型

Huggingface：

https://huggingface.co/Qwen/Qwen2-72B-Instruct

ModelScope：

https://modelscope.cn/models/qwen/Qwen2-72B-Instruct

两个地址都可以下载，下载完成后，将模型文件存放在服务器上。

⚠️ 注意服务器的磁盘空间。

⚠️ 在安装Pytorch时，需要保证和cuda驱动版本保持一致，不然会出现各种莫名其妙的问题

版本选择参考：

https://pytorch.org/get-started/locally/

通过conda创建一个新的环境，然后切换后安装依赖包

图1-pytorch版本选择 4、 安装vLLM

vLLM框架是一个高效的大语言模型推理和部署服务系统，具备以下特性：

• 高效的内存管理：通过 PagedAttention算法， vLLM实现了对 KV缓存的高效管理，减少了内存浪费，优化了模型的运行效率。

• 高吞吐量： vLLM支持异步处理和连续批处理请求，显著提高了模型推理的吞吐量，加速了文本生成和处理速度。

• 易用性： vLLM与 HuggingFace模型无缝集成，支持多种流行的大型语言模型，简化了模型部署和推理的过程。兼容 OpenAI的 API服务器。

• 分布式推理：框架支持在多 GPU环境中进行分布式推理，通过模型并行策略和高效的数据通信，提升了处理大型模型的能力。

• 开源共享： vLLM由于其开源的属性，拥有活跃的社区支持，这也便于开发者贡献和改进，共同推动技术发展。

GitHub：https://github.com/vllm-project/vllm

文档：https://docs.vllm.ai/en/latest/

在通过conda创建了初始环境后，可以直接通过pip进行安装

pipinstallvllm

更多的安装方式，可以参考官网文档：

https://docs.vllm.ai/en/stable/getting_started/installation.html

5、模型验证

可以通过一个python脚本来验证当前的模型是否可用

脚本如下：

#test.py

fromvllmimportLLM,SamplingParams

fromtransformersimportAutoTokenizer

importos

importjson

defget_completion(prompts,model,tokenizer=None,max_tokens=512,temperature=0.8,top_p=0.95,max_model_len=2048):

stop_token_ids=[]

#创建采样参数。temperature 控制生成文本的多样性，top_p 控制核心采样的概率

sampling_params=SamplingParams(temperature=temperature,top_p=top_p,max_tokens=max_tokens,stop_token_ids=stop_token_ids)

#初始化vLLM推理引擎

llm=LLM(model=model,tokenizer=tokenizer,max_model_len=max_model_len,trust_remote_code=True)

outputs=llm.generate(prompts,sampling_params)

returnoutputs

if__name__=="__main__":

#初始化vLLM推理引擎

model='/mnt/soft/models/qwen/Qwen2-72B-Instruct'#指定模型路径

#model="qwen/Qwen2-7B-Instruct"#指定模型名称，自动下载模型

tokenizer=None

#加载分词器后传入vLLM 模型，但不是必要的。

#tokenizer=AutoTokenizer.from_pretrained(model,use_fast=False)

text=["你好，帮我介绍一下什么时大语言模型。",

"可以给我将一个有趣的童话故事吗？"]

outputs = get_completion(text, model, tokenizer=tokenizer, max_tokens=512,temperature=1,top_p=1,max_model_len=2048)

#输出是一个包含 prompt、生成文本和其他信息的 RequestOutput 对象列表。

#打印输出。

foroutputinoutputs:

prompt=output.prompt

generated_text=output.outputs[0].text

print(f"Prompt:{prompt!r},Generatedtext:{generated_text!r}")

在终端执行python脚本，可以看到控制台是否正常输出

pythontest.py

6、启动服务 & 包装OpenAI格式的接口

验证模型可用后，那么就可以通过vLLM提供的模块，将整个模型服务包装成OpenAI格式的HTTP服务，提供给上层应用使用。

需要注意的参数配置：

• --model参数指定模型名称&路径。

• --served-model-name指定服务模型的名称。

• --max-model-len指定模型的最大长度，如果不指定，那么会从模型配置文件中自动加载，QWen2-72B模型支持最大128K

• --tensor-parallel-size指定多个GPU服务运行,QWen2-72B的模型，单卡GPU无法支撑。

• --gpu-memory-utilization用于模型执行器的GPU内存分数，范围从0到1。例如，值为0.5意味着GPU内存利用率为50%。如果未指定，将使用 默认值0.9。 vllm通过此参数预分配了部分显存，避免模型在调用的时候频繁的申请显存。

关于vllm的更多参数，可以参考官方文档：

https://docs.vllm.ai/en/stable/models/engine_args.html

这里可以使用tmux命令来进行服务的运行。

tmux（Terminal Multiplexer）是一个强大的终端复用器，可以让用户在一个终端窗口中同时使用多个会话。使用tmux可以提高工作效率，便于管理长期运行的任务和多任务操作

图2-vllm启动成功

出现端口等信息则代表当前的模型服务启动成功！！！

启动成功后，可以通过命令nvidia-smi查看GPU显存使用情况

首先创建一个新会话

tmuxnew-tllm

进入会话

tmuxattach-tllm

启动命令：

python-mxxx

退出当前会话

如果没反应就多试几次

通过curl命令验证大模型OpenAI接口服务是否可用，脚本如下：

curlhttp://localhost:8000/v1/chat/completions-H"Content-Type:application/json"-d'{

"model":"QWen2-72B-Instruct",

"messages":[

{

"role":"user",

"content":"给我讲一个童话故事"

}

],

"stream":true,

"temperature":0.9,

"top_p":0.7,

"top_k":20,

"max_tokens":512

}'

四、总结

目前的开源生态已经非常成熟了，vLLM这样的工具能够轻松实现对大模型的快速部署，工作效率上大大提升! 怒赞👍

五、References官网资源等信息

在本次部署过程中，碰到了下载模型权重文件不完整的情况，导致通过vLLM部署不起来，可以通过Linux的命令sha256sum工具来对模型权重文件进行检查，对比网站上的模型权重文件的sha256是否一致，如果不一致，需要重新下载安装

命令如下：

sha256sumyour_local_file

图3-检查文件sha256

本文作者肖玉民（网名“八一菜刀”）是 TorchV 联合创始人 & CTO、开源中国 GVP 项目 Knife4j 作者。长期从事 Java、Python 等技术开发工作，对技术架构、微服务、开源框架等有较深的研究，专注于 RAG/向量搜索/非结构化数据解析等领域，目前负责 TorchV AI（大模型/RAG/向量搜索）的产研工作。

他将出席GOTC 2024全球开源技术峰会，并在「硬核 AI 技术创新与实践」专题论坛发表演讲，主题为《非结构化数据解析 & GenAI 的应用探索和实践》。

该论坛由盛派网络创始人兼首席架构师苏震巍担任出品人，将于 8 月 15 日下午举行。

限时免费获取 499 元专业票

【仅限 50 张】