vllm引擎

2024-04-19 10:28
文章标签 引擎 vllm

本文主要是介绍vllm引擎,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

简介

LLM有望从根本上改变我们在所有行业使用人工智能的方式。然而,部署这些模型具有挑战性,即使在昂贵的硬件上,速度也可能出奇地慢。 vLLM`是一个用于快速 LLM 推理和服务的开源库。 vLLM 利用PagedAttention,一个新的注意力算法,可以有效管理注意力键和值。配备 PagedAttention 的 vLLM 重新定义了 LLM 服务的最新技术水平:它的吞吐量比 HuggingFace Transformers 高出 24 倍,且无需更改任何模型架构。
在这里插入图片描述

PagedAttention

LLM服务性能的瓶颈点主要在GPU显存上,在自回归解码过程中,LLM中所有的输入token都会生成代表他们注意力key和value张量,这些张量一直存储在GPU显存中用来生成下一个token,这些被缓存的key和value通常被称为KV Cache,巨有以下特性:

  • 占用空间大:LLaMA-13B中单个序列最大占用的显存为1.7GB
  • 动态分配空间:序列大小是动态创建的,由于序列长度变化很大切不可预测,实际创建过程中由于系统碎片和预留等原因浪费了60%-80%的显存。

PagedAttention是一种受操作系统中虚拟内存和分页的经典思想启发的注意力算法。与传统的注意力算法不同,PagedAttention 允许在不连续的内存空间中存储连续的键和值。它将KV Cache划分成块,每个块包含固定数量的tokens对应的key和value张量,在注意力计算过程中,PagedAttention内核可以高效地识别并获取到这些块。可以将块看作为操作系统虚拟内存的page,tokens看作为字节,sequences看作为进程。逻辑层面上连续的序列通过block table映射到非连续的物理块中。物理块在新token被创建的时候按需被创建。

在这里插入图片描述

PagedAttention算法显存利用率特别高,它只是浪费了序列使用的最后一个block。内存利用率的提高允许系统可以同时处理更多的序列,提升了GPU利用率和吞吐量。

PagedAttention会在block table进行共享,多个sequence中用到的相同的块部分会被共享,并维持一个引用计数。需要修改块内容的时候,则会对refCount > 1的块进行CopyOnWrite的策略。
在这里插入图片描述

安装与使用

安装

pip install vllm

配置

# 默认使用Hugging face下载模型
export VLLM_USE_MODELSCOPE=True
# 开启API鉴权
export VLLM_API_KEY=xx

启动

离线推理

from vllm import LLM, SamplingParams# 定义输入的prompt和采样参数
prompts = ["Hello, my name is","The president of the United States is","The capital of France is","The future of AI is",
]
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)# 初始化模型
llm = LLM(model="facebook/opt-125m")# 推理
outputs = llm.generate(prompts, sampling_params)
# Print the outputs.
for output in outputs:prompt = output.promptgenerated_text = output.outputs[0].textprint(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

兼容OpenAI接口的http服务

https://docs.vllm.ai/en/latest/models/engine_args.html#

https://vllm.readthedocs.io/_/downloads/en/stable/pdf/

# --api-key x 开启API鉴权服务
# --model <model_name_or_path>
# --max-model-len <length>
# --gpu-memory-utilization <fraction> 默认只0.9 GPU利用率
# --revision <revision>
# --host 监听的地址
# --port 监听的端口 默认8000
python -m vllm.entrypoints.openai.api_server \
--model facebook/opt-125m# 几张卡--tensor-parallel-size就指定几,目前qwen14b awq模式不支持多卡部署
export VLLM_USE_MODELSCOPE=True
python -m vllm.entrypoints.openai.api_server --host 0.0.0.0 --port 8000 --model qwen/Qwen1.5-14B-Chat-GPTQ-Int4 --quantization gptq --block-size 16 --swap-space 4 --gpu-memory-utilization 0.9 --tensor-parallel-size 1 --max-model-len 8192 --enforce-eager

调用

models
curl http://localhost:8000/v1/models
Completion

curl

curl http://localhost:8000/v1/completions \
-H "Content-Type: application/json" \
-d '{
"model": "facebook/opt-125m",
"prompt": "San Francisco is a",
"max_tokens": 7,
"temperature": 0
}'

python

from openai import OpenAI# Modify OpenAI's API key and API base to use vLLM's API server.
openai_api_key = "EMPTY"
openai_api_base = "http://localhost:8000/v1"
client = OpenAI(api_key=openai_api_key,base_url=openai_api_base,
)
completion = client.completions.create(model="facebook/opt-125m",prompt="San Francisco is a")
print("Completion result:", completion)
ChatCompletion

curl

curl http://localhost:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"model": "facebook/opt-125m","messages": [{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Who won the world series in 2020?"}]
}'

python

from openai import OpenAI
# Set OpenAI's API key and API base to use vLLM's API server.
openai_api_key = "EMPTY"
openai_api_base = "http://localhost:8000/v1"client = OpenAI(api_key=openai_api_key,base_url=openai_api_base,
)chat_response = client.chat.completions.create(model="facebook/opt-125m",messages=[{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Tell me a joke."},]
)
print("Chat response:", chat_response)

参考文献

https://blog.vllm.ai/2023/06/20/vllm.html

这篇关于vllm引擎的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/917277

相关文章

速了解MySQL 数据库不同存储引擎

快速了解MySQL 数据库不同存储引擎 MySQL 提供了多种存储引擎,每种存储引擎都有其特定的特性和适用场景。了解这些存储引擎的特性,有助于在设计数据库时做出合理的选择。以下是 MySQL 中几种常用存储引擎的详细介绍。 1. InnoDB 特点: 事务支持:InnoDB 是一个支持 ACID(原子性、一致性、隔离性、持久性)事务的存储引擎。行级锁:使用行级锁来提高并发性,减少锁竞争

Smarty模板引擎工作机制(一)

深入浅出Smarty模板引擎工作机制,我们将对比使用smarty模板引擎和没使用smarty模板引擎的两种开发方式的区别,并动手开发一个自己的模板引擎,以便加深对smarty模板引擎工作机制的理解。 在没有使用Smarty模板引擎的情况下,我们都是将PHP程序和网页模板合在一起编辑的,好比下面的源代码: <?php$title="深处浅出之Smarty模板引擎工作机制";$content=

MySQL技术内幕_innodb存储引擎

MySQL技术内幕_innodb存储引擎 INNODB innodb中如果表没有主键 表是否由 非空唯一键,有则该字段为主键没有,则自动创建一个6字节大小的指针 innodb存储引擎的所有数据都存储在表空间中,表空间由段,区,页(块)组成。 如果启用了 innodb_file_per_table, 则每张表内的数据可以单独放在一个表空间中即使启用了上面参数,共享表空间也会因为 系统事务信息

Matter.js:Web开发者的2D物理引擎

Matter.js:Web开发者的2D物理引擎 前言 在现代网页开发中,交互性和动态效果是提升用户体验的关键因素。 Matter.js,一个专为网页设计的2D物理引擎,为开发者提供了一种简单而强大的方式,来实现复杂的物理交互效果。 无论是模拟重力、碰撞还是复杂的物体运动,Matter.js 都能轻松应对。 本文将带你深入了解 Matter.js ,并提供实际的代码示例,让你一窥其强大功能

认识鬼火引擎

一、Irrlicht简介 (1)概念Irrlicht引擎是一个用C++书写的高性能实时3D引擎,可以应用于C++程序或者.NET语言中。通过使用Direct3D(Windows平台)、OpenGL 或它自己的软件着色程序,可以实现该引的完​全跨平台。尽管是开源的,该Irrlicht库提供了可以在商业级的3D引擎上具有的艺术特性,例如动态的阴影,粒子系统,角色动画,室内和室外技术以及碰撞检测等。(

一个图形引擎的画面风格是由那些因素(技术)决定的?

可能很多人第一直覺會認為shader決定了視覺風格,但我認為可以從多個方面去考慮。 1. 幾何模型 一個畫面由多個成分組成,最基本的應該是其結構,在圖形學中通常稱為幾何模型。 一些引擎,如Quake/UE,有比較強的Brush建模功能(或應稱作CSG),製作建築比較方便。而CE則有較強的大型地表、植被、水體等功能,做室外自然環境十分出色。而另一些遊戲類型專用的引擎,例

气膜场馆:乡村振兴中的健康与经济新引擎—轻空间

随着乡村振兴战略的深入推进,气膜场馆作为新兴建筑形式,正在为农村地区带来全新的发展机遇。它不仅是乡村百姓锻炼身体的好去处,更是带动当地经济发展的强劲动力。 首先,气膜场馆为农村地区的居民提供了更多运动健身的机会。与传统体育设施相比,气膜场馆建设周期短、成本低,非常适合在乡村快速推广。通过提供羽毛球、篮球、排球等多种运动项目,村民可以在空闲时间增强体质,改善生活方式。这对于长期从事农业劳动的村

基于 RocketMQ 的云原生 MQTT 消息引擎设计

作者:沁君 概述 随着智能家居、工业互联网和车联网的迅猛发展,面向 IoT(物联网)设备类的消息通讯需求正在经历前所未有的增长。在这样的背景下,高效和可靠的消息传输标准成为了枢纽。MQTT 协议作为新一代物联网场景中得到广泛认可的协议,正逐渐成为行业标准。 本次我们将介绍搭建在 RocketMQ 基础上实现的 MQTT 核心设计,本文重点分析 RocketMQ 如何适应这些变化,通过优化存储

【mysql 存储引擎】MySQL常用存储引擎及特点

SHOW ENGINES;SHOW VARIABLES LIKE 'have%';SHOW VARIABLES LIKE 'storage_engine' 1.InnoDB存储引擎特点: 1)给MySQL数据库提供事物,包括回滚,包括修复能力,多版本并发控制事物安全。 2)支持外界元素。 3)创建表结构是存储在“.fim”文件中,数据和索引,数据分别存储在innodb表空间中。 4)缺点

UE引擎工具链

当我们提到“引擎工具链的开发”时,通常指的是为游戏开发或其他类型的软件开发创建一系列工具和技术栈的过程。这包括但不限于游戏引擎本身(如Unity或Unreal Engine),以及围绕这些引擎构建的各种工具和服务,比如用于构建关卡编辑器、物理模拟工具、动画系统、脚本环境、调试工具、性能分析工具等等。 对于游戏引擎工具链的开发,开发者们通常需要掌握以下技能和知识: 1. **编程语言**:大多数