在Notebook调试环境中部署推理服务

Step1 准备Notebook

参考准备Notebook完成Notebook的创建，并打开Notebook。

Step2 准备模型代码包和权重文件

1. 将OBS中的模型权重和表1获取的AscendCloud-3rdLLM-6.3.905-xxx.zip代码包上传到Notebook的工作目录/home/ma-user/work/下。上传代码参考如下。

   import moxing as mox
   
   obs_dir = "obs://${bucket_name}/${folder-name}"
   local_dir = "/home/ma-user/work/qwen-14b"
   
   mox.file.copy_parallel(obs_dir, local_dir)

   实际操作如下图所示。

   图1 上传OBS文件到Notebook的代码示例
   
2. 构建推理代码。

   解压AscendCloud-3rdLLM-6.3.905-xxx.zip代码包。

   unzip AscendCloud-3rdLLM-6.3.905-*.zip

   运行推理构建脚本build.sh文件，自动获取ascend_vllm_adapter文件夹中提供的vLLM相关算子代码。

   cd llm_inference
   bash build.sh

   运行完后，在当前目录下会生成ascend_vllm文件夹，即为昇腾适配后的vLLM代码。

Step3 配置NPU环境

在Notebook的terminal中执行如下命令进行环境配置。

配置需要的NPU卡。

export ASCEND_RT_VISIBLE_DEVICES=0,1,2,3

0,1,2,3修改为需要使用的卡，如需使用全部8张卡，修改为0,1,2,3,4,5,6,7。

配置PYTHONPATH。

export PYTHONPATH=$PYTHONPATH:${vllm_path}

${vllm_path}：指定到ascend_vllm文件夹的绝对路径。

进入工作目录。

cd ascend_vllm

Step4 部署并启动推理服务

在Step3中的terminal部署并启动推理服务。有2种方式，使用vllm-api启动推理服务，或者使用openai-api启动推理服务。参考命令如下：

# 使用vllm-api
python vllm/entrypoints/api_server.py \
--model="${model_path}" \
--tensor-parallel-size 1 \
--gpu-memory-utilization 0.95 \
--max-model-len=4096 \
--trust-remote-code \
--dtype="float16" \
--host=0.0.0.0 \
--port=8080

# 使用openai-api
python vllm/entrypoints/openai/api_server.py \
--model="${model_path}" \
--tensor-parallel-size 1 \
--gpu-memory-utilization 0.95 \
--max-model-len=4096 \
--trust-remote-code \
--dtype="float16" \
--host=0.0.0.0 \
--port=8080

参数说明：

• --model：模型地址，模型格式是Huggingface的目录格式。
• --tensor-parallel-size：并行卡数。
• --gpu-memory-utilization：0~1之间的float，实际使用的显存是系统读取的最大显存*gpu-memory-utilization。
• --max-model-len：最大数据输入+输出长度，不能超过模型配置文件config.json里面定义的“max_position_embeddings”和“seq_length”；如果设置过大，会占用过多显存，影响kvcache的空间。不同模型推理支持的max-model-len长度不同，具体差异请参见附录：基于vLLM（v0.3.2）不同模型推理支持的max-model-len长度说明。
• --hostname：服务部署的IP，使用本机IP 0.0.0.0。
• --port：服务部署的端口。

服务启动后，会打印如下信息。

server launch time cost: 15.443044185638428 s
INFO:     Started server process [2878]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8080 (Press CTRL+C to quit)

Step5 请求推理服务

另外启动一个terminal，使用命令测试推理服务是否正常启动，端口请修改为启动服务时指定的端口。

• 方式一：使用vLLM接口请求服务，命令参考如下。

  curl http://localhost:8080/generate  -d '{"prompt": "hello", "temperature":0, "max_tokens":20}'

  vLLM接口请求参数说明参考：https://docs.vllm.ai/en/stable/dev/sampling_params.html

• 方式二：使用OpenAI接口请求服务，命令参考如下。

  curl http://localhost:8080/v1/chat/completions \
      -H "Content-Type: application/json" \
      -d '{
          "model": "/data/nfs/model/llama-2-7b",
          "temperature": 0,
          "max_tokens": 20,
          "messages": [
              {"role": "system", "content": "You are a helpful assistant."},
              {"role": "user", "content": "hello"}
          ]
      }'

  OpenAI接口请求参数说明参考：https://platform.openai.com/docs/api-reference/completions/create。

  表1 请求服务参数说明

  参数	是否必选	默认值	参数类型	描述
  model	是	无	Str	通过OpenAI服务API接口启动服务时，推理请求必须填写此参数。取值必须和启动推理服务时的model ${container_model_path}参数保持一致。 通过vLLM服务API接口启动服务时，推理请求不涉及此参数。
  prompt	是	-	Str	请求输入的问题。
  max_tokens	否	16	Int	每个输出序列要生成的最大tokens数量。
  top_k	否	-1	Int	控制要考虑的前几个tokens的数量的整数。设置为-1表示考虑所有tokens。 适当降低该值可以减少采样时间。
  top_p	否	1.0	Float	控制要考虑的前几个tokens的累积概率的浮点数。必须在 (0, 1] 范围内。设置为1表示考虑所有tokens。
  temperature	否	1.0	Float	控制采样的随机性的浮点数。较低的值使模型更加确定性，较高的值使模型更加随机。0表示贪婪采样。
  stop	否	None	None/Str/List	用于停止生成的字符串列表。返回的输出将不包含停止字符串。 例如：["你"，"好"]，生成文本时遇到"你"或者"好"将停止文本生成。
  stream	否	False	Bool	是否开启流式推理。默认为False，表示不开启流式推理。
  n	否	1	Int	返回多条正常结果。 约束与限制： 不使用beam_search场景下，n取值建议为1≤n≤10。如果n>1时，必须确保不使用greedy_sample采样。也就是top_k > 1; temperature > 0。 使用beam_search场景下，n取值建议为1<n≤10。如果n=1，会导致推理请求失败。 说明： n建议取值不超过10，n值过大会导致性能劣化，显存不足时，推理请求会失败。
  use_beam_search	否	False	Bool	是否使用beam_search替换采样。 约束与限制：使用该参数时，如下参数需按要求设置： n>1 top_p = 1.0 top_k = -1 temperature = 0.0
  presence_penalty	否	0.0	Float	presence_penalty表示会根据当前生成的文本中新出现的词语进行奖惩。取值范围[-2.0,2.0]。
  frequency_penalty	否	0.0	Float	frequency_penalty会根据当前生成的文本中各个词语的出现频率进行奖惩。取值范围[-2.0,2.0]。
  length_penalty	否	1.0	Float	length_penalty表示在beam search过程中，对于较长的序列，模型会给予较大的惩罚。 如果要使用length_penalty，必须添加如下三个参数，并且需将use_beam_search参数设置为true，best_of参数设置大于1，top_k固定为-1。 "top_k": -1 "use_beam_search":true "best_of":2

Step6 推理服务的高阶配置（可选）

如需开启以下高阶配置，请在Step3 配置NPU环境时增加需要开启的高阶配置参数。

• 词表切分

  在分布式场景下，默认不使用词表切分能提升推理性能，同时也会增加单卡的显存占用。不建议开启词表并行，如确需使用词表切分，配置以下环境变量。

  export USE_VOCAB_PARALLEL=1

  关闭词表切分的命令：

  unset USE_VOCAB_PARALLEL

  配置后重启推理服务生效。

• Matmul_all_reduce融合算子

  使用Matmul_all_reduce融合算子能提升全量推理性能，该算子对驱动和固件版本要求较高，默认不开启。如需开启，配置以下环境变量。

  export USE_MM_ALL_REDUCE_OP=1

  关闭Matmul_all_reduce融合算子的命令：

  unset  USE_MM_ALL_REDUCE_OP

  配置后重启推理服务生效。

• 查看详细日志

  查看详细耗时日志可以辅助定位性能瓶颈，但会影响推理性能。如需开启，配置以下环境变量。

  export DETAIL_TIME_LOG=1
  export RAY_DEDUP_LOGS=0

  关闭详细日志命令：

  unset  DETAIL_TIME_LOG

  配置后重启推理服务生效。

Step7 推理性能和精度测试

推理性能和精度测试操作请参见推理性能测试和推理精度测试。

附录：基于vLLM（v0.3.2）不同模型推理支持的max-model-len长度说明

基于vLLM（v0.3.2）部署推理服务时，不同模型推理支持的max-model-len长度说明如下面的表格所示。如需达到以下值，需要将--gpu-memory-utilization设为0.9，qwen系列、qwen1.5系列、llama3系列模型还需打开词表切分配置export USE_VOCAB_PARALLEL=1。

说明：机器型号规格以卡数*显存大小为单位，如4*64GB代表4张64GB显存的NPU卡。