推理精度测试

前提条件

确保容器可以访问公网。

Step1 配置精度测试环境

1. 获取精度测试代码。精度测试代码存放在代码包AscendCloud-3rdLLM-xxx.zip的llm_tools/llm_evaluation（6.3.905版本）目录中。代码目录结构如下。精度测试使用到的mmlu和ceval数据集已经提前打包在代码中。

   benchmark_eval
   ├──apig_sdk       # ma校验包
   ├──cpu_npu        # 检测资源消耗
   ├── config        
   │   ├── config.json  # 服务的配置模板，已配置了ma-standard，tgi示例
   │   ├── mmlu_subject_mapping.json  # mmlu数据集学科信息
   │   ├── ceval_subject_mapping.json  # ceval数据集学科信息
   ├── evaluators
   │   ├── evaluator.py # 数据集数据预处理方法集
   │   ├── chatglm.py  # 处理请求相应模块, 一般和chatglm的官方评测数据集ceval搭配
   │   ├── llama.py  # 处理请求相应模块, 一般和llama的评测数据集mmlu搭配
   ├── mmlu-exam, mmlu数据集
   ├── ceval-exam, ceval数据集
   ├── eval_test.py  # 启动脚本，建立线程池发送请求，并汇总结果
   ├── readme.md      # 说明文档
   ├── requirements.txt   # 第三方依赖
   ├── service_predict.py  # 发送请求的服务

2. 上传精度测试代码到推理容器中。如果在Step5 进入容器安装推理依赖软件步骤中已经上传过AscendCloud-3rdLLM-x.x.x.zip并解压，无需重复执行。
3. 进入benchmark_eval目录下，执行如下命令安装性能测试的关依赖。

   pip install -r requirements.txt

4. 执行精度测试启动脚本eval_test.py，具体操作命令如下，可以根据参数说明修改参数。

   python eval_test.py \
     --max_workers=1 \
     --service_name=llama2-13b-chat-test \
     --eval_dataset=ceval \
     --service_url=http://${docker_ip}:8080/v1/completions \
     --few_shot=3 \
     --is_devserver=True \
     --model_name=llama2 \
     --deploy_method=vllm \
     --vllm_model=${model_path}

   参数说明:

   • max_workers：请求的最大线程数，默认为1。
   • service_name：服务名称，保存评测结果时创建目录，示例为：llama2-13b-chat-test。
   • eval_dataset：评测使用的评测集（枚举值），目前仅支持mmlu、ceval。
   • service_url：成功部署推理服务后的服务预测地址，示例：http://${docker_ip}:8080/generate。此处的${docker_ip}替换为宿主机实际的IP地址，端口号8080来自前面配置的服务端口。
   • few_shot：开启少量样本测试后添加示例样本的个数。默认为3，取值范围为0~5整数。
   • is_devserver： 是否DevServer部署方式，True表示DevServer模式。False表示ModelArts Standard模式。
   • model_name：评测模型名称，llama2。
   • deploy_method：部署方法，不同的部署方式api参数输入、输出解析方式不同，目前支持tgi、ma_standard、vllm等方式。
   • vllm_model：deploy_method为vllm时，服务以openai的方式启动，vllm_model为启动服务时传入的model_path。

Step2 查看精度测试结果

默认情况下，评测结果会按照result/{service_name}/{eval_dataset}-{timestamp} 的目录结果保存到对应的测试工程。执行多少次，则会在{service_name}下生成多少次结果。

单独的评测结果如下：

{eval_dataset}-{timestamp}  # 例如: mmlu-20240205093257 
├── accuracy   
│   ├── evaluation_accuracy.xlsx  # 测试的评分结果，包含各个学科数据集的评分和总和评分。 
├── infer_info 
│   ├── xxx1.csv # 单个数据集的评测结果 
│   ├── ...... 
│   ├── xxxn.csv # 单个数据集的评测结果 
├── summary_result 
│   ├── answer_correct.xlsx  # 回答正确的结果 
│   ├── answer_error.xlsx  # 保存回答了问题的选项，但是回答结果错误 
│   ├── answer_result_unknow.xlsx  # 保存未推理出结果的问题，例如超时、系统错误 
│   ├── system_error.xlsx  # 保存推理结果，但是可能答非所问，无法判断是否正确，需要人工判断进行纠偏。