推理性能测试

约束限制

• 创建在线服务时，每秒服务流量限制默认为100次，如果静态benchmark的并发数（parallel-num参数）或动态benchmark的请求频率（request-rate参数）较高，会触发推理平台的流控，请在ModelArts Standard“在线服务”详情页修改服务流量限制。
• 同步请求时，平台每次请求预测的时间不能超过60秒。例如输出数据比较大的调用请求（例如输出大于1k），请求预测会超过60秒导致调用失败，可提交工单设置请求超时时间。

benchmark方法介绍

性能benchmark包括两部分。

• 静态性能测试：评估在固定输入、固定输出和固定并发下，模型的吞吐与首token延迟。该方式实现简单，能比较清楚的看出模型的性能和输入输出长度、以及并发的关系。
• 动态性能测试：评估在请求并发在一定范围内波动，且输入输出长度也在一定范围内变化时，模型的延迟和吞吐。该场景能模拟实际业务下动态的发送不同长度请求，能评估推理框架在实际业务中能支持的并发数。

性能benchmark验证使用到的脚本存放在代码包AscendCloud-LLM-x.x.x.zip的llm_tools/llm_evaluation目录下。

代码目录如下:

benchmark_tools 
├── benchmark_parallel.py  # 评测静态性能脚本
├── benchmark_serving.py  # 评测动态性能脚本
├── generate_dataset.py   # 生成自定义数据集的脚本
├── benchmark_utils.py   # 工具函数集
├── benchmark.py         # 执行静态、动态性能评测脚本
├── requirements.txt       # 第三方依赖

目前性能测试已经支持投机推理能力。

conda activate python-3.9.10
pip install -r requirements.txt

静态benchmark

运行静态benchmark验证脚本benchmark_parallel.py，具体操作命令如下，可以根据参数说明修改参数。

conda activate python-3.9.10
cd benchmark_tools 
python benchmark_parallel.py --backend vllm --host 127.0.0.1 --port 8080 --tokenizer /path/to/tokenizer --epochs 10 --parallel-num 1 2 4 8  --output-tokens 256 256 --prompt-tokens 1024 2048 --benchmark-csv benchmark_parallel.csv

生产环境中进行测试：

python benchmark_parallel.py --backend vllm --url xxx --app-code xxx --tokenizer /path/to/tokenizer --epochs 10 --parallel-num 1 2 4 8  --output-tokens 256 256 --prompt-tokens 1024 2048 --benchmark-csv benchmark_parallel.csv

参数说明：

• --backend：服务类型，支持tgi、vllm、mindspore、openai等。本文档使用的推理接口是vllm。
• --host：服务IP地址，如127.0.0.1。
• --port：服务端口，和推理服务端口8080。
• --url：如果以vllm接口方式启动服务，API接口公网地址与"/generate"拼接而成；如果以openai接口方式启动服务，API接口公网地址与"/v1/completions"拼接而成。部署成功后的在线服务详情页中可查看API接口公网地址。
  图1 API接口公网地址
  
• --app-code：获取方式见访问在线服务（APP认证）。
• --tokenizer：tokenizer路径，HuggingFace的权重路径。如果服务部署在Notebook中，该参数为Notebook中权重路径；如果服务部署在生产环境中，该参数为本地模型权重路径。
• --served-model-name：仅在以openai接口启动服务时需要该参数。如果服务部署在Notebook中，该参数为Notebook中权重路径；如果服务部署在生产环境中，该参数为服务启动脚本run_vllm.sh中的${model_path}。
• --epochs：测试轮数，默认取值为5。
• --parallel-num：每轮并发数，支持多个，如 1 4 8 16 32。
• --prompt-tokens：输入长度，支持多个，如 128 128 2048 2048，数量需和--output-tokens的数量对应。
• --output-tokens：输出长度，支持多个，如 128 2048 128 2048，数量需和--prompt-tokens的数量对应。
• --num-scheduler-steps: 需和服务启动时配置的num-scheduler-steps一致。默认为1。
• --enable-prefix-caching：服务端是否启用enable-prefix-caching特性，默认为false。

脚本运行完成后，测试结果保存在benchmark_parallel.csv中，示例如下图所示。

图2 静态benchmark测试结果（示意图）

动态benchmark

1. 获取测试数据集。

   动态benchmark需要使用数据集进行测试，可以使用公开数据集，例如Alpaca、ShareGPT。也可以根据业务实际情况，使用generate_datasets.py脚本生成和业务数据分布接近的数据集。

   公开数据集下载地址：

   • ShareGPT: https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json
   • Alpaca: https://github.com/tatsu-lab/stanford_alpaca/blob/main/alpaca_data.json

   使用generate_dataset.py脚本生成数据集方法：

   generate_datasets.py脚本通过指定输入输出长度的均值和标准差，生成一定数量的正态分布的数据。具体操作命令如下，可以根据参数说明修改参数。

   cd benchmark_tools 
   python generate_dataset.py --dataset custom_datasets.json --tokenizer /path/to/tokenizer \
   --min-input 100 --max-input 3600 --avg-input 1800 --std-input 500 \
   --min-output 40 --max-output 256 --avg-output 160 --std-output 30 --num-requests 1000

   generate_dataset.py脚本执行参数说明如下：

   • --dataset：数据集保存路径，如custom_datasets.json。
   • --tokenizer：tokenizer路径，可以是HuggingFace的权重路径。
   • --min-input：输入tokens最小长度，可以根据实际需求设置。
   • --max-input：输入tokens最大长度，可以根据实际需求设置。
   • --avg-input：输入tokens长度平均值，可以根据实际需求设置。
   • --std-input：输入tokens长度方差，可以根据实际需求设置。
   • --min-output：最小输出tokens长度，可以根据实际需求设置。
   • --max-output：最大输出tokens长度，可以根据实际需求设置。
   • --avg-output：输出tokens长度平均值，可以根据实际需求设置。
   • --std-output：输出tokens长度标准差，可以根据实际需求设置。
   • --num-requests：输出数据集的数量，可以根据实际需求设置。
2. 执行脚本benchmark_serving.py测试动态benchmark。具体操作命令如下，可以根据参数说明修改参数。
   Notebook中进行测试：

   conda activate python-3.9.10
   cd benchmark_tools
   python benchmark_serving.py --backend vllm --host 127.0.0.1 --port 8080 --dataset custom_dataset.json --dataset-type custom --tokenizer /path/to/tokenizer --request-rate 0.01 1 2 4 8 10 20 --num-prompts 10 1000 1000 1000 1000 1000 1000 --max-tokens 4096 --max-prompt-tokens 3768 --benchmark-csv benchmark_serving.csv

   生产环境中进行测试：

   python benchmark_serving.py --backend vllm --url xxx --app-code xxx --dataset custom_dataset.json --dataset-type custom --tokenizer /path/to/tokenizer --request-rate 0.01 1 2 4 8 10 20 --num-prompts 10 1000 1000 1000 1000 1000 1000 --max-tokens 4096 --max-prompt-tokens 3768 --benchmark-csv benchmark_serving.csv

   • --backend：服务类型，支持tgi、vllm、mindspore、openai等。本文档使用的推理接口是vllm。
   • --host：服务IP地址，如127.0.0.1。
   • --port：服务端口。
   • --url：如果以vllm接口方式启动服务，API接口公网地址与"/generate"拼接而成；如果以openai接口方式启动服务，API接口公网地址与"/v1/completions"拼接而成。部署成功后的在线服务详情页中可查看API接口公网地址。
     图3 API接口公网地址
     
   • --app-code：获取方式见访问在线服务（APP认证）。
   • --dataset：数据集路径。
   • --dataset-type：支持三种 "alpaca"，"sharegpt"，"custom"。custom为自定义数据集。
   • --tokenizer：tokenizer路径，可以是huggingface的权重路径。如果服务部署在Notebook中，该参数为Notebook中权重路径；如果服务部署在生产环境中，该参数为本地模型权重路径。
   • --served-model-name：仅在以openai接口启动服务时需要该参数。如果服务部署在Notebook中，该参数为Notebook中权重路径；如果服务部署在生产环境中，该参数为服务启动脚本run_vllm.sh中的${model_path}。
   • --request-rate：请求频率，支持多个，如 0.1 1 2。实际测试时，会根据request-rate为均值的指数分布来发送请求以模拟真实业务场景。
   • --num-prompts：某个频率下请求数，支持多个，如 10 100 100，数量需和--request-rate的数量对应。
   • --max-tokens：输入+输出限制的最大长度，模型启动参数--max-input-length值需要大于该值。
   • --max-prompt-tokens：输入限制的最大长度，推理时最大输入tokens数量，模型启动参数--max-total-tokens值需要大于该值，tokenizer建议带tokenizer.json的FastTokenizer。
   • --benchmark-csv：结果保存路径，如benchmark_serving.csv。
   • --served-model-name： 选择性添加， 选择性添加，在接口中使用的模型名；如果没有配置，则默认为tokenizer。
   • --num-scheduler-steps: 需和服务启动时配置的num-scheduler-steps一致。默认为1。

   脚本运行完后，测试结果保存在benchmark_serving.csv中，示例如下图所示。

   图4 动态benchmark测试结果（示意图）
   

投机推理benchmark验证

本章节介绍如何进行投机推理benchmark验证，当前投机推理benchmark仅支持在Notebook中进行测试。

1. 进入benchmark_tools目录下。

   cd benchmark_tools 

2. 运行验证脚本speculative_benchmark_parallel.py，具体操作命令如下，可以根据参数说明修改参数。

   python speculative_benchmark_parallel.py --backend vllm --host ${docker_ip} --port 8080 --dataset human-eval-v2-20210705.jsonl \ --tokenizer /path/to/tokenizer  --num-prompts 80 \
   --output_len 4096 --trust-remote-code

   • --backend：服务类型，如tgi，vllm，mindspore、openai。
   • --host ${docker_ip}：服务部署的IP地址，${docker_ip}替换为宿主机实际的IP地址。
   • --port：推理服务端口。
   • --dataset：数据集路径，推荐使用human-eval-v2-20210705.jsonl数据集，数据集可从https://github.com/openai/human-eval/blob/master/data/HumanEval.jsonl.gz下载压缩包解压获得。
   • --tokenizer：tokenizer路径，可以是HuggingFace的权重路径，backend取值是openai时，tokenizer路径需要和推理服务启动时--model路径保持一致，比如--model /data/nfs/model/llama_7b， --tokenizer也需要为/data/nfs/model/llama_7b，两者要完全一致。
   • --num-prompts：某个频率下请求数，默认80。
   • --output_len：输出长度，默认是1024。
   • --trust-remote-code：是否相信远程代码。

   脚本运行完后，测试结果直接在终端输出。