LLM训推适配-[昇腾910B]-qwen2.5精度测试+高效推理

有来有去9527

已于 2024-11-11 09:21:35 修改

阅读量3.7k

点赞数 19

分类专栏： Ascend训推 llm 文章标签：人工智能 gpu算力

于 2024-10-17 16:41:20 首次发布

本文链接：https://blog.youkuaiyun.com/bmfire/article/details/143022520

版权

llm 同时被 2 个专栏收录

9 篇文章

订阅专栏

Ascend训推

4 篇文章

订阅专栏

mindie_qwen2.5推理适配

虽然mindie暂未宣布支持Qwen2.5，但是Qwen2.5和Qwen2模型结构一致，个人理解可直接按照qwen2的方式做迁移部署.

1.准备

模型权重
/path/to/Qwen2p5-72B-Instruct/
运行环境
本次验证使用mindieT65版本

如果只需要启动服务，可直接跳至2.3章节

2.适配验证

启动容器

docker run --rm -it -u root --name=mindie_t65 --net=host --privileged=true -w /opt --device=/dev/davinci_manager --device=/dev/devmm_svm --device=/dev/hisi_hdc -v /etc/ascend_install.info:/etc/ascend_install.info -v /usr/local/Ascend/driver:/usr/local/Ascend/driver -v /usr/local/Ascend/add-ons/:/usr/local/Ascend/add-ons/ -v /usr/local/sbin/:/usr/local/sbin/ -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi -v /var/log/npu/slog/:/var/log/npu/slog -v /var/log/npu/profiling/:/var/log/npu/profiling -v /var/log/npu/dump/:/var/log/npu/dump -v /var/log/npu/:/usr/slog -v /etc/hccn.conf:/etc/hccn.conf -v /etc/localtime:/etc/localtime:ro -v /host_model_path/:/opt/files -v /tmp:/tmp mindie:t65 /bin/bash

2.1 推理加速框架验证

ATB推理
atb_models的代码路径会随着镜像版本变换，该镜像的路径是：/usr/local/Ascend/atb_models/

在${llm_path}目录执行以下指令

bash examples/models/qwen/run_pa.sh -m ${weight_path}

注：

1.启动量化推理时，请在权重路径的config.json文件中添加(或修改)quantize字段，值为相应量化方式，例如"quantize": "w8a8"、"quantize": "w8a16"

2.对于chat模型需要开启chat模式才能正常输出。
执行：

bash examples/models/qwen/run_pa.sh -m ${weight_path} -c true

run_pa.py脚本参数介绍

脚本：${llm_path}/examples/run_pa.py
功能：Paged Attention场景下模型推理的启动脚本

参数说明

参数名称	是否为必选	类型	默认值	描述
model_path	是	string		模型权重路径
input_texts	否	string	[“What’s deep learning?”]	推理文本，多条推理文本间使用空格分割
input_ids	否	string	None	推理文本经过模型分词器处理后得到的token id，多条推理请求间使用空格分割，单个推理请求内每个token使用逗号隔开
input_file	否	jsonl格式文件	None	包含多轮对话文本的文件。仅支持jsonl格式文件，每一行必须为List[Dict]格式的按时间顺序排序的对话数据，每个Dict字典中需要至少包含"role"和"content"两个字段
input_dict	否	string	None	推理文本以及对应的adapter名称。格式形如：‘[{“prompt”: “A robe takes 2 bolts of blue fiber and half that much white fiber. How many bolts in total does it take?”, “adapter”: “adapter1”}, {“prompt”: “What is deep learning?”, “adapter”: “base”}]’
max_prefill_batch_size	否	int	None	模型推理最大Prefill Batch size
max_batch_size	否	int	1	模型推理最大Batch size
max_input_length	否	int	1024	推理文本最大token数
max_output_length	否	int	20	推理结果最大token数
max_position_embeddings	否	int或者None	None	模型可接受的最大上下文长度。当此值为None时，则从模型权重文件中读取
max_prefill_tokens	否	int	-1	模型Prefill推理阶段最大可接受的token数。若输入为-1，则max_prefill_tokens = max_batch_size * (max_input_length + max_output_length)
block_size	否	int	128	Kv cache分块存储，每块存储的最大token数，默认为128
chat_template	否	string	None	对话模型的prompt模板
ignore_eos	否	bool	store_true	当推理结果中遇到eos token（句子结束标识符）时，是否结束推理。若传入此参数，则忽略eos token
is_chat_model	否	bool	store_true	是否支持对话模式。若传入此参数，则进入对话模式
is_flash_model	否	bool	store_false	是否运行Paged Attention，默认运行Paged Attention，若传入此参数，则运行Flash Attention
is_embedding_model	否	bool	store_true	是否为embedding类模型。默认为因果推断类模型，若传入此参数，则为embedding类模型
load_tokenizer	否	string	“True”	是否加载tokenizer。若传入False，则必须传入input_ids参数，且推理输出为token id
enable_atb_torch	否	bool	store_true	是否使用Python组图。默认使用C++组图，若传入此参数，则使用Python组图
kw_args	否	string	“”	扩展参数，支持用户通过扩展参数进行功能扩展

2.2 精度/性能测试

脚本路径：atb_models/tests/modeltest/

示例：

bash run.sh pa_fp16 full_BoolQ 1 qwen ${Qwen2.5-72b权重路径} 8

详细文档可参考atb_models/test/modeltest/readme.md

2.3 推理服务框架验证

使用mindie-service推理服务部署框架

注：mindie版本不同，推理服务配置文件变化较大！！！

推理服务配置文件修改
路径：$MIES_INSTALL_PATH/conf/config.json
修改：

{
    "Version": "1.0.0",
    "LogConfig" :
    {
        "logLevel" : "Info",
        "logFileSize" : 20,
        "logFileNum" : 20,
        "logPath" : "logs/mindservice.log"
    },

    "ServerConfig" :
    {
        "ipAddress" : "127.0.0.1",
        "managementIpAddress": "127.0.0.1",
        "port" : 31003,
        "managementPort" : 31003,
        "maxLinkNum" : 200,
        "httpsEnabled" : false,
        "fullTextEnabled" : false,
        "maxHeaderLen" : 512,
        "tlsCaPath" : "security/ca/",
        "tlsCaFile" : ["ca.pem"],
        "tlsCert" : "security/certs/server.pem",
        "tlsPk" : "security/keys/server.key.pem",
        "tlsPkPwd" : "security/pass/mindie_server_key_pwd.txt",
        "kmcKsfMaster" : "tools/pmt/master/ksfa",
        "kmcKsfStandby" : "tools/pmt/standby/ksfb",
        "tlsCrl" : "security/certs/server_crl.pem"
    },

    "BackendConfig": {
        "backendName" : "mindieservice_llm_engine",
        "tokenizerProcessNumber" : 8,
        "multiNodesInferEnabled": false,
        "multiNodesInferPort": 1120,
        "interNodeTLSEnabled": true,
        "interNodeTlsCaFile": "security/ca/ca.pem",
        "interNodeTlsCert": "security/certs/server.pem",
        "interNodeTlsPk": "security/keys/server.key.pem",
        "interNodeTlsPkPwd": "security/pass/mindie_server_key_pwd.txt",
        "interNodeKmcKsfMaster": "tools/pmt/master/ksfa",
        "interNodeKmcKsfStandby": "tools/pmt/standby/ksfb",
        "ModelDeployConfig":
        {
            "modelInstanceNumber" : 1,
            "maxSeqLen" : 8192,
            "maxInputTokenLen" : 4096,
            "truncation" : false,
            "npuDeviceIds" : [[0,1,2,3]],
            "ModelConfig" : [
                {
                    "modelInstanceType": "Standard",
                    "modelName" : "qwen2p5_72b_baseline",
                    "modelWeightPath" : "/app/appdata/",
                    "worldSize" : 4,
                    "cpuMemSize" : 5,
                    "npuMemSize" : 16,
                    "backendType": "atb"
                }
            ]
        },

        "ScheduleConfig":
        {
            "templateType": "Standard",
            "templateName" : "Standard_llama",
            "cacheBlockSize" : 128,

            "maxPrefillBatchSize" : 24,
            "maxPrefillTokens" : 8192,
            "prefillTimeMsPerReq" : 60,
            "prefillPolicyType" : 0,

            "decodeTimeMsPerReq" : 60,
            "decodePolicyType" : 0,

            "maxBatchSize" : 24,
            "maxIterTimes" : 2048,
            "maxPreemptCount" : 0,
            "supportSelectBatch" : false,
            "maxQueueDelayMicroseconds" : 5000
        }
    }
}

各参数的作用参考：
https://www.hiascend.com/document/detail/zh/mindie/10RC2/mindieservice/servicedev/mindie_service0004.html

服务启动


source /usr/local/Ascend/ascend-toolkit/set_env.sh 
source /usr/local/Ascend/mindie/set_env.sh         
source /usr/local/Ascend/mindie/latest/mindie-service/set_env.sh 
source /usr/local/Ascend/mindie/latest/mindie-llm/set_env.sh     
source /usr/local/Ascend/nnal/atb/set_env.sh 
source /usr/local/Ascend/atb_models/set_env.sh 

export HOST_IP=1.1.1.1
export MIES_CONTAINER_MANAGEMENT_IP=$HOST_IP
export MIES_CONTAINER_IP=$HOST_IP



cd /usr/local/Ascend/mindie/latest/mindie-service/bin
./mindieservice_daemon

服务测试
curl --location ‘http://ip:port/v1/chat/completions’ --header ‘Content-Type: application/json’ --data ‘{ “model”:“test”, “messages”: [ { “role”: “user”, “content”: “你好。” } ], “max_tokens”:2}’