记录 QWen2-72B-Instruct 模型安装部署过程_AI阅读总结 — 包阅AI

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

二、软件信息

Python: 3.10

Pytorch：2.3.0

Transformers：4.43.0

vLLM：0.5.0

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。

3、安装Pytorch等环境依赖信息

⚠️ 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

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：

• --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

python3-mvllm.entrypoints.openai.api_server--model/mnt/torchv/models/Qwen2-72B-Instruct--served-model-nameQWen2-72B-Instruct--tensor-parallel-size8--gpu-memory-utilization0.7

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

英文输入下ctrl+b然后输入d

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

资源	地址
QWen	GitHub：https://github.com/QwenLM/Qwen Huggingface：https://huggingface.co/Qwen ModelScope：https://modelscope.cn/organization/qwen?tab=model docs:https://qwen.readthedocs.io/zh-cn/latest/getting_started/quickstart.html#
Pytorch	https://pytorch.org/get-started/locally/
Conda	https://www.anaconda.com
vLLM	https://docs.vllm.ai/en/latest/getting_started/installation.html

权重文件下载不完全

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

---

以往文章：

TorchV AI的两款应用，做简洁却重要的事情

RAG在企业应用中落地的难点与创新（稀土掘金分享文字稿）

LLM企业应用落地场景中的问题一览

探讨实现AI Agents的三种方式，不同的方式带来不同的客群和场景

AI原生应用的思考——CUI、电动机窘境和2024发展猜想