请求吞吐量测试方法

在真实应用中，用户输入的 prompt 长度以及模型回复的 token 数量是动态变化的。而静态推理能力不足以反映推理引擎对动态输入输出的处理能力。

所以需要使用真实对话数据，评测推理引擎的动态推理能力。本文将介绍如何在 localhost 上测试 LMDeploy 的动态推理性能。

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>=0.1.0a1'
git clone --depth=1 https://github.com/InternLM/lmdeploy
wget https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json

测速时，需输入具体的模型。我们推荐把模型下载到本地，并通过 lmdeploy convert 把模型转换为 turbomind 格式，然后再进行测试。 这么做的原因是，方便调节推理引擎参数，以达到比较好的推理性能，比如批处理大小（max_batch_size），K/V cache缓存大小（max_cache_entry_count）等等。有关这些参数的详细说明，请参考这里.

以下章节中，我们默认模型是 turbomind 格式的。

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：

$$ token吞吐量 = 生成的token数量 / 总时间 $$

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

测试案例

我们用 internlm-7b 为例，api_server的速度测试全流程如下：

pip install 'lmdeploy>=0.1.0a1'
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

# 从huggingface下载internlm-7b，并转为turbomind模型格式
lmdeploy convert internlm internlm/internlm-7b --dst-path ./internlm-7b

# 执行测速脚本
python3 profile_throughput.py ./ShareGPT_V3_unfiltered_cleaned_split.json ./internlm-7b

测试方法

python3 profile_throughput.py <dataset> <model_path> <optional arguments>

其中，必填参数是：

• dataset

  测试数据集的路径

• model_path

  turbomind格式的模型在 localhost 上的路径

可选测试参数如下：

• --concurrency

  代表请求线程的数量，并发请求会被推理引擎拼成 batch，默认为 64。并发请求会被推理引擎拼成 batch。并发数不能超过config.ini中的max_batch_size。否则，超出部分的请求会在推理队列中等待。

• --num-prompts

  从数据集中采样的prompt数量。默认是 2000

• --tp

  模型在张量并行时，使用的显卡数量。必须是2的整数次幂。默认为 1

• --top_k、--top_p 和 --temperature

  这三个参数用来采样生成的 token_id

• --stream_output

  流式推理的开关。默认值为 True

• --csv

  一个 csv 文件路径，用来存放测试结果。默认是 ./profile_throughput.csv

• --log-level

  日志级别。默认是 ERROR

• --seed

  从测试数据集中随机采样prompt时的种子。默认为0