api_server 性能测试

api_server 的测试方式与求吞吐量测试方法类似。不同的是，在测试前，需要先启动 api_server，然后再通过测试脚本发送请求进行测试。

测试脚本是 profile_restful_api.py。测试之前，请安装 lmdeploy 预编译包，并下载评测脚本和测试数据集。

pip install lmdeploy
git clone --depth=1 https://github.com/InternLM/lmdeploy
cd lmdeploy/benchmark
wget https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json

测量指标

LMDeploy 统计首token延时（first_token_latency）、token吞吐量（tokens/s）和请求吞吐量（RPM）。

first_token_latency 只有在流式推理的情况下才会输出。

token吞吐量的计算公式为：

$$ 吞吐量 = 生成的token数量 / 总时间 $$

请求吞吐量的计算公式为：

$$ 吞吐量 = 请求数量 / 总时间 $$

总时间包括 prefill 时间

测量方法

我们以 internlm/internlm-7b 为例，展示 api_server 的性能测试流程

启动服务

lmdeploy serve api_server internlm/internlm-7b

如果你想改变 server 的端口，或者诸如推理引擎、最大批处理值等参数，请运行 lmdeploy serve api_server -h 或者阅读这篇文档，查看详细的参数说明。

测速

python3 profile_restful_api.py http://0.0.0.0:23333 internlm/internlm-7b ./ShareGPT_V3_unfiltered_cleaned_split.json

关于 profile_restful_api.py 脚本中的参数，比如请求并发数、采样参数等等，可以通过运行命令 python3 profile_restful_api.py -h 查阅。