使用vllm部署大模型

使用 vllm 部署大模型

部署前准备

需要把想运行的模型下载到服务器上

• 以 通义千问-7B 为案例

下载模型

git lfs install
pip install -U huggingface_hub
huggingface-cli download --resume-download Qwen/Qwen-7B-Chat --local-dir Qwen-7B-Chat

开始部署

第一步 设置 conda 环境

# 创建新的 conda 环境.
conda create -n llm python=3.9 -y

conda activate llm

第二步 安装 vllm

pip install vllm

第三步 安装 modelscope

用于下载镜像加速

pip install modelscope

第四步 运行我们的模型

VLLM_USE_MODELSCOPE=True python -m vllm.entrypoints.openai.api_server  --model="/home/Qwen-7B-Chat" --trust-remote-code --port 6006

第五步测试：

记得把下面的地址换成自己服务的地址

curl http://localhost:6006/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "/home/Qwen-7B-Chat",
        "max_tokens":60,
        "messages": [
            {
                "role": "user",
                "content": "你是谁？"
            }
        ]
    }'

扩展

自定义api-key：

• 如果想带上api-key，可以在执行命令的时候带上：

  VLLM_USE_MODELSCOPE=True python -m vllm.entrypoints.openai.api_server  --model="/home/Qwen-7B-Chat" --dtype auto --api-key sk-llm --trust-remote-code --port 6006
  

• 测试

  curl http://localhost:6006/v1/chat/completions \
      -H "Content-Type: application/json" \
      -H "Authorization: Bearer sk-llm" \
      -d '{
         "model": "/home/Qwen-7B-Chat",
          "max_tokens":60,
          "messages": [
              {
                  "role": "user",
                  "content": "你是谁？"
              }
          ]
      }'
  

启动多GPU服务：

• 要运行多GPU服务，在启动命令加上--tensor-parallel-size参数，比如2张GPU卡：

VLLM_USE_MODELSCOPE=True python -m vllm.entrypoints.openai.api_server --model="/home/Qwen-7B-Chat" --dtype auto --api-key sk-llm  --trust-remote-code --port 6006 --tensor-parallel-size 2

• 测试

  curl http://localhost:6006/v1/chat/completions \
      -H "Content-Type: application/json" \
      -H "Authorization: Bearer sk-llm" \
      -d '{
         "model": "/home/Qwen-7B-Chat",
          "max_tokens":60,
          "messages": [
              {
                  "role": "user",
                  "content": "你是谁？"
              }
          ]
      }'
  

总结

• 在huggingface hub拉取镜像，推荐用 官方提供的专门下载而设计的工具链huggingface-cli。不仅可以下载模型、数据、还可以登录huggingface、上传模型和数据等。但缺点是不支持多线程。
• 不建议用git clone的方式，虽然很简单，但是不支持断点续传，主要是clone会下载历史版本占用磁盘空间，.git文件夹会比较大。
• ollama和vllm两个都是目前流行的部署大模型的工具，各有优势。vllm有对内存做了优化和推理加速；ollama则通过量化，使模型变小，轻量部署，适用于不同的场景。