lightllm
1.0.0
LightLLM — это платформа вывода и обслуживания LLM (Large Language Model) на основе Python, отличающаяся легковесным дизайном, простой масштабируемостью и высокой скоростью работы. LightLLM использует сильные стороны многочисленных хорошо зарекомендовавших себя реализаций с открытым исходным кодом, включая, помимо прочего, FasterTransformer, TGI, vLLM и FlashAttention.
Английские документы | 中文文档
При запуске Qwen-7b вам необходимо установить параметр --eos_id 151643 --trust_remote_code.
ChatGLM2 необходимо установить параметр --trust_remote_code.
InternLM необходимо установить параметр --trust_remote_code.
InternVL-Chat(Phi3) необходимо установить параметр --eos_id 32007 --trust_remote_code.
InternVL-Chat (InternLM2) необходимо установить параметр --eos_id 92542 --trust_remote_code.
Qwen2-VL-7b необходимо установить параметр --eos_id 151645 --trust_remote_code и использовать pip install git+https://github.com/huggingface/transformers для обновления до последней версии.
Stablelm необходимо установить параметр --trust_remote_code.
Phi-3 поддерживает только Mini и Small.
DeepSeek-V2-Lite и DeepSeek-V2 необходимо установить параметр --data_type bfloat16.
Код был протестирован с использованием Pytorch>=1.3, CUDA 11.8 и Python 3.9. Чтобы установить необходимые зависимости, обратитесь к предоставленному файлу require.txt и следуйте инструкциям, указанным ниже.
# 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==2.20.5Вы можете использовать официальный контейнер Docker, чтобы упростить запуск модели. Для этого выполните следующие действия:
Извлеките контейнер из реестра контейнеров GitHub:
docker pull ghcr.io/modeltc/lightllm:mainЗапустите контейнер с поддержкой графического процессора и сопоставлением портов:
docker run -it --gpus all -p 8080:8080
--shm-size 1g -v your_local_path:/data/
ghcr.io/modeltc/lightllm:main /bin/bashАльтернативно, вы можете собрать контейнер самостоятельно:
docker build -t < image_name > .
docker run -it --gpus all -p 8080:8080
--shm-size 1g -v your_local_path:/data/
< image_name > /bin/bashВы также можете использовать вспомогательный скрипт для запуска контейнера и сервера:
python tools/quick_launch_docker.py --help Примечание. Если вы используете несколько графических процессоров, вам может потребоваться увеличить размер общей памяти, добавив --shm-size к команде docker run .
python setup.py installКод был протестирован на ряде графических процессоров, включая V100, A100, A800, 4090 и H800. Если вы запускаете код на A100, A800 и т. д., мы рекомендуем использовать triton==3.0.0.
pip install triton==3.0.0 --no-depsЕсли вы запускаете код на H800 или V100, вы можете попробовать triton-nightly, чтобы повысить производительность.
pip install -U --index-url https://aiinfra.pkgs.visualstudio.com/PublicPackages/_packaging/Triton-Nightly/pypi/simple/ triton-nightly --no-depsБлагодаря эффективным маршрутизаторам и TokenAttention LightLLM можно развернуть как услугу и добиться высочайшей пропускной способности.
Запускаем сервер:
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 Параметр max_total_token_num зависит от памяти графического процессора среды развертывания. Вы также можете указать --mem_faction, чтобы он рассчитывался автоматически.
python -m lightllm.server.api_server --model_dir /path/llama-7B
--host 0.0.0.0
--port 8080
--tp 1
--mem_faction 0.9Чтобы инициировать запрос в оболочке:
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 'Чтобы выполнить запрос из Python:
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 )Дополнительные параметры запуска:
--enable_multimodal,--cache_capacity, big--cache_capacityтребует большегоshm-size
Поддержка
--tp > 1, когдаtp > 1, визуальная модель запускается на графическом процессоре 0.
Специальный тег изображения для Qwen-VL —
(для Llava), длинаdata["multimodal_params"]["images"]должна быть такой же, как количество тегов. Число может быть 0, 1, 2,...
Формат входных изображений: список для dict, например
{'type': 'url'/'base64', 'data': xxx}
Мы сравнили производительность обслуживания LightLLM и vLLM==0.1.2 на LLaMA-7B с использованием A800 с памятью графического процессора 80 ГБ.
Для начала подготовьте данные следующим образом:
wget https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.jsonЗапустите сервис:
python -m lightllm.server.api_server --model_dir /path/llama-7b --tp 1 --max_total_token_num 121060 --tokenizer_mode autoОценка:
cd test
python benchmark_serving.py --tokenizer /path/llama-7b --dataset /path/ShareGPT_V3_unfiltered_cleaned_split.json --num-prompts 2000 --request-rate 200Результаты сравнения производительности представлены ниже:
| vLLM | ЛайтLLM |
|---|---|
| Общее время: 361,79 с. Пропускная способность: 5,53 запросов/с. | Общее время: 188,85 с. Пропускная способность: 10,59 запросов/с. |
Для отладки мы предлагаем скрипты статического тестирования производительности различных моделей. Например, вы можете оценить эффективность вывода модели LLaMA с помощью
cd test/model
python test_llama.pypip install protobuf==3.20.0 .error : PTX .version 7.4 does not support .target sm_89bash tools/resolve_ptx_version python -m lightllm.server.api_server ... Если у вас есть проект, который необходимо включить, свяжитесь с ним по электронной почте или создайте запрос на включение.
После того, как вы установили lightllm и lazyllm , вы можете использовать следующий код для создания собственного чат-бота:
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 ()Документы: https://lazyllm.readthedocs.io/
Для получения дополнительной информации и обсуждения присоединяйтесь к нашему серверу Discord.
Этот репозиторий выпущен под лицензией Apache-2.0.
При разработке LightLLM мы многому научились из следующих проектов.
