lightllm
1.0.0
LightLLM は、Python ベースの LLM (Large Language Model) 推論および提供フレームワークであり、軽量設計、容易なスケーラビリティ、および高速パフォーマンスで注目に値します。 LightLLM は、FasterTransformer、TGI、vLLM、FlashAttendant など、評価の高い多数のオープンソース実装の長所を活用しています。
英語ドキュメント | 中文档
Qwen-7b を起動するときは、パラメータ「--eos_id 151643 --trust_remote_code」を設定する必要があります。
ChatGLM2 はパラメータ「--trust_remote_code」を設定する必要があります。
InternLM はパラメータ「--trust_remote_code」を設定する必要があります。
InternVL-Chat(Phi3) はパラメータ「--eos_id 32007 --trust_remote_code」を設定する必要があります。
InternVL-Chat(InternLM2) はパラメータ「--eos_id 92542 --trust_remote_code」を設定する必要があります。
Qwen2-VL-7b はパラメータ「--eos_id 151645 --trust_remote_code」を設定し、「pip install git+https://github.com/huggingface/transformers」を使用して最新バージョンにアップグレードする必要があります。
Stablelm はパラメータ「--trust_remote_code」を設定する必要があります。
Phi-3 は Mini と Small のみをサポートします。
DeepSeek-V2-Lite および DeepSeek-V2 では、パラメーター「--data_type bfloat16」を設定する必要があります
コードは、Pytorch>=1.3、CUDA 11.8、および Python 3.9 でテストされています。必要な依存関係をインストールするには、提供されているrequirements.txtを参照し、次の指示に従ってください。
# for cuda 11.8
pip install -r requirements.txt --extra-index-url https://download.pytorch.org/whl/cu118
# this version nccl can support torch cuda graph
pip install nvidia-nccl-cu12==2.20.5公式の Docker コンテナを使用すると、モデルをより簡単に実行できます。これを行うには、次の手順に従います。
GitHub Container Registry からコンテナーをプルします。
docker pull ghcr.io/modeltc/lightllm:mainGPU サポートとポート マッピングを使用してコンテナーを実行します。
docker run -it --gpus all -p 8080:8080
--shm-size 1g -v your_local_path:/data/
ghcr.io/modeltc/lightllm:main /bin/bashあるいは、コンテナを自分で構築することもできます。
docker build -t < image_name > .
docker run -it --gpus all -p 8080:8080
--shm-size 1g -v your_local_path:/data/
< image_name > /bin/bashヘルパー スクリプトを使用して、コンテナーとサーバーの両方を起動することもできます。
python tools/quick_launch_docker.py --help注: 複数の GPU を使用する場合は、 docker runコマンドに--shm-size追加して、共有メモリ サイズを増やす必要がある場合があります。
python setup.py installコードは、V100、A100、A800、4090、H800 などのさまざまな GPU でテストされています。 A100、A800 などでコードを実行している場合は、triton==3.0.0 を使用することをお勧めします。
pip install triton==3.0.0 --no-depsH800 または V100 でコードを実行している場合は、パフォーマンスを向上させるために triton-nightly を試すことができます。
pip install -U --index-url https://aiinfra.pkgs.visualstudio.com/PublicPackages/_packaging/Triton-Nightly/pypi/simple/ triton-nightly --no-deps効率的なルーターと TokenAttend を使用すると、LightLLM をサービスとして展開し、最先端のスループット パフォーマンスを達成できます。
サーバーを起動します。
python -m lightllm.server.api_server --model_dir /path/llama-7B
--host 0.0.0.0
--port 8080
--tp 1
--max_total_token_num 120000パラメータmax_total_token_numは、デプロイメント環境の GPU メモリの影響を受けます。 --mem_faction を指定して、自動的に計算させることもできます。
python -m lightllm.server.api_server --model_dir /path/llama-7B
--host 0.0.0.0
--port 8080
--tp 1
--mem_faction 0.9シェルでクエリを開始するには:
curl http://127.0.0.1:8080/generate
-X POST
-d ' {"inputs":"What is AI?","parameters":{"max_new_tokens":17, "frequency_penalty":1}} '
-H ' Content-Type: application/json 'Python からクエリを実行するには:
import time
import requests
import json
url = 'http://localhost:8080/generate'
headers = { 'Content-Type' : 'application/json' }
data = {
'inputs' : 'What is AI?' ,
"parameters" : {
'do_sample' : False ,
'ignore_eos' : False ,
'max_new_tokens' : 1024 ,
}
}
response = requests . post ( url , headers = headers , data = json . dumps ( data ))
if response . status_code == 200 :
print ( response . json ())
else :
print ( 'Error:' , response . status_code , response . text )python -m lightllm.server.api_server
--host 0.0.0.0
--port 8080
--tp 1
--max_total_token_num 12000
--trust_remote_code
--enable_multimodal
--cache_capacity 1000
--model_dir /path/of/Qwen-VL or /path/of/Qwen-VL-Chatpython -m lightllm.server.api_server
--host 0.0.0.0
--port 8080
--tp 1
--max_total_token_num 12000
--trust_remote_code
--enable_multimodal
--cache_capacity 1000
--model_dir /path/of/llava-v1.5-7b or /path/of/llava-v1.5-13b import time
import requests
import json
import base64
url = 'http://localhost:8080/generate'
headers = { 'Content-Type' : 'application/json' }
uri = "/local/path/of/image" # or "/http/path/of/image"
if uri . startswith ( "http" ):
images = [{ "type" : "url" , "data" : uri }]
else :
with open ( uri , 'rb' ) as fin :
b64 = base64 . b64encode ( fin . read ()). decode ( "utf-8" )
images = [{ 'type' : "base64" , "data" : b64 }]
data = {
"inputs" : "![]()
Generate the caption in English with grounding:" ,
"parameters" : {
"max_new_tokens" : 200 ,
# The space before <|endoftext|> is important, the server will remove the first bos_token_id, but QWen tokenizer does not has bos_token_id
"stop_sequences" : [ " <|endoftext|>" ],
},
"multimodal_params" : {
"images" : images ,
}
}
response = requests . post ( url , headers = headers , data = json . dumps ( data ))
if response . status_code == 200 :
print ( response . json ())
else :
print ( 'Error:' , response . status_code , response . text ) import json
import requests
import base64
def run_once ( query , uris ):
images = []
for uri in uris :
if uri . startswith ( "http" ):
images . append ({ "type" : "url" , "data" : uri })
else :
with open ( uri , 'rb' ) as fin :
b64 = base64 . b64encode ( fin . read ()). decode ( "utf-8" )
images . append ({ 'type' : "base64" , "data" : b64 })
data = {
"inputs" : query ,
"parameters" : {
"max_new_tokens" : 200 ,
# The space before <|endoftext|> is important, the server will remove the first bos_token_id, but QWen tokenizer does not has bos_token_id
"stop_sequences" : [ " <|endoftext|>" , " <|im_start|>" , " <|im_end|>" ],
},
"multimodal_params" : {
"images" : images ,
}
}
# url = "http://127.0.0.1:8080/generate_stream"
url = "http://127.0.0.1:8080/generate"
headers = { 'Content-Type' : 'application/json' }
response = requests . post ( url , headers = headers , data = json . dumps ( data ))
if response . status_code == 200 :
print ( " + result: ({})" . format ( response . json ()))
else :
print ( ' + error: {}, {}' . format ( response . status_code , response . text ))
"""
multi-img, multi-round:
<|im_start|>system
You are a helpful assistant.<|im_end|>
<|im_start|>user
![]()
![]()
上面两张图片分别是哪两个城市？请对它们进行对比。<|im_end|>
<|im_start|>assistant
根据提供的信息，两张图片分别是重庆和北京。<|im_end|>
<|im_start|>user
这两座城市分别在什么地方？<|im_end|>
<|im_start|>assistant
"""
run_once (
uris = [
"assets/mm_tutorial/Chongqing.jpeg" ,
"assets/mm_tutorial/Beijing.jpeg" ,
],
query = "<|im_start|>system n You are a helpful assistant.<|im_end|> n <|im_start|>user n ![]()
n ![]()
n上面两张图片分别是哪两个城市？请对它们进行对比。<|im_end|> n <|im_start|>assistant n根据提供的信息，两张图片分别是重庆和北京。<|im_end|> n <|im_start|>user n这两座城市分别在什么地方？<|im_end|> n <|im_start|>assistant n "
) import time
import requests
import json
import base64
url = 'http://localhost:8080/generate'
headers = { 'Content-Type' : 'application/json' }
uri = "/local/path/of/image" # or "/http/path/of/image"
if uri . startswith ( "http" ):
images = [{ "type" : "url" , "data" : uri }]
else :
with open ( uri , 'rb' ) as fin :
b64 = base64 . b64encode ( fin . read ()). decode ( "utf-8" )
images = [{ 'type' : "base64" , "data" : b64 }]
data = {
"inputs" : "A chat between a curious human and an artificial intelligence assistant. The assistant gives helpful, detailed, and polite answers to the human's questions. USER: n Please explain the picture. ASSISTANT:" ,
"parameters" : {
"max_new_tokens" : 200 ,
},
"multimodal_params" : {
"images" : images ,
}
}
response = requests . post ( url , headers = headers , data = json . dumps ( data ))
if response . status_code == 200 :
print ( response . json ())
else :
print ( 'Error:' , response . status_code , response . text )追加の起動パラメータ:
--enable_multimodal、--cache_capacity、--cache_capacityが大きい場合は、より大きいshm-sizeが必要です
--tp > 1をサポートします。tp > 1の場合、ビジュアル モデルは GPU 0 で実行されます。
Qwen-VL の特別な画像タグは
(Llava の場合は) です。datadata["multimodal_params"]["images"]の長さはタグの数と同じでなければなりません。 0、1、2、...のいずれかになります。
入力画像形式:
{'type': 'url'/'base64', 'data': xxx}のような辞書のリスト
80G GPU メモリを搭載した A800 を使用して、LLaMA-7B 上で LightLLM と vLLM==0.1.2 のサービス パフォーマンスを比較しました。
まず、次のようにデータを準備します。
wget https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.jsonサービスを起動します。
python -m lightllm.server.api_server --model_dir /path/llama-7b --tp 1 --max_total_token_num 121060 --tokenizer_mode auto評価：
cd test
python benchmark_serving.py --tokenizer /path/llama-7b --dataset /path/ShareGPT_V3_unfiltered_cleaned_split.json --num-prompts 2000 --request-rate 200パフォーマンスの比較結果を以下に示します。
| vLLM | ライトLLM |
|---|---|
| 合計時間: 361.79 秒 スループット: 5.53 リクエスト/秒 | 合計時間: 188.85 秒 スループット: 10.59 リクエスト/秒 |
デバッグ用に、さまざまなモデル向けの静的パフォーマンス テスト スクリプトを提供しています。たとえば、LLaMA モデルの推論パフォーマンスは次のように評価できます。
cd test/model
python test_llama.pypip install protobuf==3.20.0実行してこれを解決することを検討してください。error : PTX .version 7.4 does not support .target sm_89bash tools/resolve_ptx_version python -m lightllm.server.api_server ...で起動します。 組み込む必要があるプロジェクトがある場合は、電子メールで連絡するか、プル リクエストを作成してください。
lightllmとlazyllmをインストールしたら、次のコードを使用して独自のチャットボットを構築できます。
from lazyllm import TrainableModule , deploy , WebModule
# Model will be download automatically if you have an internet connection
m = TrainableModule ( 'internlm2-chat-7b' ). deploy_method ( deploy . lightllm )
WebModule ( m ). start (). wait ()ドキュメント: https://lazyllm.readthedocs.io/
さらに詳しい情報やディスカッションについては、Discord サーバーに参加してください。
このリポジトリは、Apache-2.0 ライセンスに基づいてリリースされています。
LightLLM を開発する際に、次のプロジェクトから多くのことを学びました。
