W8A8 LLM 模型部署

W8A8 LLM 模型部署#

LMDeploy 提供了使用 8-bit 整数(INT8)和浮点数(FP8)对神经网络模型进行量化和推理的功能。

可用于 INT8 和 FP8 推理的 NVIDIA GPU 分别为：

  • INT8

    • V100(sm70): V100

    • Turing(sm75): 20 series, T4

    • Ampere(sm80,sm86): 30 series, A10, A16, A30, A100

    • Ada Lovelace(sm89): 40 series

    • Hopper(sm90): H100

  • FP8

    • Ada Lovelace(sm89): 40 series

    • Hopper(sm90): H100

首先，执行如下命令安装lmdeploy：

pip install lmdeploy[all]

8-bit 权重量化#

进行 8-bit 权重量化需要经历以下三步：

  1. 权重平滑：首先对语言模型的权重进行平滑处理，以便更好地进行量化。

  2. 模块替换：使用 QRMSNorm 和 QLinear 模块替换原模型 DecoderLayer 中的 RMSNorm 模块和 nn.Linear 模块。lmdeploy/pytorch/models/q_modules.py 文件中定义了这些量化模块。

  3. 保存量化模型：完成上述必要的替换后，我们即可保存新的量化模型。

lmdeploy 提供了命令行工具 lmdeploy lite smooth_quant 实现了以上三个步骤。并且其中命令行参数 --quant-dtype 可以用来控制是进行8-bit整数还是浮点数类型的量化。更多命令行工具使用方式，请执行 lmdeploy lite smooth_quant --help 查看。

以下示例演示了进行 int8 或 fp8 的量化命令。

  • int8

    lmdeploy lite smooth_quant internlm/internlm2_5-7b-chat --work-dir ./internlm2_5-7b-chat-int8 --quant-dtype int8

  • fp8

    lmdeploy lite smooth_quant internlm/internlm2_5-7b-chat --work-dir ./internlm2_5-7b-chat-fp8 --quant-dtype fp8

模型推理#

量化后的模型，通过以下几行简单的代码，可以实现离线推理：

from lmdeploy import pipeline, PytorchEngineConfig

engine_config = PytorchEngineConfig(tp=1)
pipe = pipeline("internlm2_5-7b-chat-int8", backend_config=engine_config)
response = pipe(["Hi, pls intro yourself", "Shanghai is"])
print(response)

关于 pipeline 的详细介绍，请参考这里

推理服务#

LMDeploy api_server 支持把模型一键封装为服务，对外提供的 RESTful API 兼容 openai 的接口。以下为服务启动的示例：

lmdeploy serve api_server ./internlm2_5-7b-chat-int8 --backend pytorch

服务默认端口是23333。在 server 启动后，你可以在终端通过api_client与server进行对话：

lmdeploy serve api_client http://0.0.0.0:23333

还可以通过 Swagger UI http://0.0.0.0:23333 在线阅读和试用 api_server 的各接口，也可直接查阅文档，了解各接口的定义和使用方法。

目录