【LLAMA3超级课堂-第四节】Llama 3 高效部署实践（LMDeploy 版）

开发机地址：https://studio.intern-ai.org.cn/console/instance

本文内容

环境，模型准备 LMDeploy chat LMDeploy模型量化(lite) LMDeploy服务(serve)

环境准备

环境和模型下载请参考【第一节】

LMDeploy Chat CLI 工具

终端运行

conda activate llama3
lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct

运行结果

LMDeploy模型量化(lite)

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。

设置最大KV Cache缓存大小

未设置最大KV Cache缓存大小

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

此时显存占用23120M

设置最大KV Cache缓存大小后

下面，改变–cache-max-entry-count参数，设为0.5。

lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct/ --cache-max-entry-count 0.5

看到显存明显降低，显存占用20488M
尝试极限值，把–cache-max-entry-count参数设置为0.01，约等于禁止KV Cache占用显存。

lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct/ --cache-max-entry-count 0.01

然后与模型对话，可以看到，此时显存占用仅为16200M，代价是会降低模型推理速度。

使用W4A16量化

仅需执行一条命令，就可以完成模型量化工作。

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

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。

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

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。

lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct_4bit --model-format awq --cache-max-entry-count 0.01

此时显存占用仅有6546M

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。

LMDeploy服务（serve）

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。

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：

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 \
    --tp 1

server-name和server-port表示API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。

命令行客户端连接API服务器

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：

lmdeploy serve api_client http://localhost:23333

运行后，可以通过命令行窗口直接与模型对话

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。

pip install gradio==3.50.2

使用Gradio作为前端，启动网页客户端。

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

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！

参考资料

https://github.com/SmartFlowAI/Llama3-Tutorial/blob/main/docs/lmdeploy.md