You need to enable JavaScript to run this app.
导航
云服务器
  • 文档首页
    • /云服务器/云服务器ECS/最佳实践/自助建站/AIGC实践/搭建Llama-2-7b-hf模型进行推理
搭建Llama-2-7b-hf模型进行推理
最近更新时间：2024.04.25 16:07:58首次发布时间：2024.04.25 16:07:58
我的收藏

本文主要介绍在云服务器实例中部署meta-llama/Llama-2-7b-hf模型并使用CPU进行推理，以及通过Intel xFasterTransformer实现推理过程加速的方案。

背景信息

Llama-2-7b-hf模型

Llama 2是Meta公司开源的一个预训练和微调的生成文本模型集合，规模从70亿 ~ 700亿参数不等。本实践使用该模型集合中的7b（70亿）参数规模，且转换为HF格式的模型。更多详情，可查看meta-llama/Llama-2-7b-hf。

xFasterTransformer

Intel xFasterTransformer 是Intel®开发的一个加速库，旨在为大语言模型（LLM）在CPU X86平台上的部署提供了一种深度优化的解决方案。支持多CPU节点之间的分布式部署方案，使得超大模型在CPU上的部署成为可能。此外，xFasterTransformer提供了C++和Python两种API接口，涵盖了从上层到底层的接口调用，易于用户使用并将xFasterTransformer集成到自有业务框架中。更多信息，可查看xFasterTransformer。

oneCCL

oneCCL（One Collective Communication Library）是Intel®推出的一种集体通信库，旨在为分布式深度学习训练提供高性能的通信支持。它提供了一组优化的通信算法和数据结构，可用于在分布式环境中实现高效的通信操作。

oneDNN

oneDNN（oneAPI Deep Neural Network Library）是Intel®开发的一个深度学习加速库，旨在优化和加速深度学习模型的推理和训练。它提供了一系列高效的算法和优化，用于在英特尔处理器（CPU）、图形处理器（GPU）和其他硬件加速器上执行深度学习任务。

操作步骤

步骤一：环境准备

  1. 创建搭载了第5代英特尔®至强®可扩展处理器（Emerald Rapids，EMR）的云服务器实例，详细操作请参见购买云服务器。
    创建实例时，请注意以下配置：
    • 实例规格：本文选择通用型g3i（ecs.g3i.8xlarge）规格。
    • 云盘：推荐云盘容量不低于80GiB。
    • 镜像：本文选择Ubuntu 22.04 LTS 64位。
    • 网络：需要绑定公网IP，操作详情可查看绑定公网IP。
  2. 为目标实例安装依赖工具、软件。

    1. 登录目标实例。

    2. 执行如下命令，为目标实例安装Git、Python及pip。

      apt install -y git python3 python3-pip

    3. 执行如下命令，检查实例GCC版本。

      gcc --version
      • 若版本不低于10，请继续后续步骤。
      • 若版本低于10，请执行如下命令，升级GCC版本。

        注意

        升级GCC可能会影响到系统中依赖于旧版本GCC的软件。确保在升级前备份重要数据，并确保新版本的GCC不会对系统的稳定性和已安装的软件产生不良影响。

        sudo apt update
sudo apt install -y gcc

    4. 执行如下命令，安装oneCCL。

      git clone https://github.com/oneapi-src/oneCCL.git /tmp/oneCCL \
    && cd /tmp/oneCCL \
    && git checkout 2021.9 \
    && sed -i 's/cpu_gpu_dpcpp/./g' cmake/templates/oneCCLConfig.cmake.in \
    && mkdir build \
    && cd build \
    && cmake .. -DCMAKE_INSTALL_PREFIX=/usr/local/oneCCL \
    && make -j install \
    && cd ~ \
    && rm -rf /tmp/oneCCL \
    && echo "source /usr/local/oneCCL/env/setvars.sh" >> ~/.bashrc

      成功安装示例

    5. 安装oneDNN。

      1. 执行如下命令，安装oneDNN。
        cd /usr/local
wget https://github.com/oneapi-src/oneDNN/releases/download/v0.21/mklml_lnx_2019.0.5.20190502.tgz \
     && tar -xzf mklml_lnx_2019.0.5.20190502.tgz \
     && rm -f mklml_lnx_2019.0.5.20190502.tgz \
     && echo 'export
LD_LIBRARY_PATH=/usr/local/mklml_lnx_2019.0.5.20190502/lib:$LD_LIBRARY_PATH' >> ~/.bashrc
      2. 执行如下命令，验证是否完成安装。
        cat ~/.bashrc | grep '/usr/local/mklml_lnx_2019.0.5.20190502/lib:$LD_LIBRARY_PATH'
      • 成功安装示例
      • 若未成功安装，请重新执行安装命令进行安装。

    6. 执行如下命令，安装xFasterTransformer。

      pip install torch==2.0.1+cpu --index-url https://download.pytorch.org/whl/cpu
pip install cmake==3.26.1 transformers==4.30.0 sentencepiece==0.1.99 tokenizers==0.13.3 accelerate==0.23.0
pip install xfastertransformer
pip install gradio
      • 成功安装示例
      • 若未成功安装，请重新执行安装命令进行安装。

步骤二：部署Llama-2-7b-hf模型

  1. 获取下载授权。

    1. 访问Huggingface官方meta-llama/Llama-2-7b-hf模型页面。
    2. 下划阅读模型使用许可协议，并填写所需信息，单击“Submit”按钮提交申请。
    3. 申请通过后，请登录HuggingFace Token页面，获取您有下载权限的Token。详情可查看User access tokens。

  2. 登录目标实例。

  3. 执行如下命令，下载模型。

    说明

    pip install -U huggingface_hub hf_transfer 
HF_ENDPOINT=https://hf-mirror.com HF_HUB_ENABLE_HF_TRANSFER=1 huggingface-cli download --token <your_token> --resume-download meta-llama/Llama-2-7b-hf  --local-dir Llama-2-7b-hf --local-dir-use-symlinks=False

  4. 创建运行模型的Demo文件。

    说明

    本文件仅做参考，请根据实际情况调整。更多详情可查看intel/xFasterTransformer。

    1. 执行如下命令，创建llm2-demo.py文件。
      vim llm2-demo.py
    2. 按i键进入编辑模式，复制如下内容粘贴入文件。
      import gradio as gr
import argparse
import os
from transformers import AutoTokenizer, TextStreamer
import pathlib
import importlib.util
xft_spec = importlib.util.find_spec("xfastertransformer")

if xft_spec is None:
   print("[INFO] xfastertransformer is not installed in pip, using source code.")
   exit()
else:
   print("[INFO] xfastertransformer is installed, using pip installed package.")
import xfastertransformer
MODEL_PATH = "/root/Llama-2-7B-hf"
TOKEN_PATH = "/root/Llama-2-7B-hf"
MODEL_TYPE = "int8"
cover_model_path = TOKEN_PATH+"/conver"
if not os.path.exists(cover_model_path):
    os.mkdir(cover_model_path)
if not os.listdir(cover_model_path):
    xfastertransformer.LlamaConvert().convert(MODEL_PATH,cover_model_path)

def greet(input_prompts, answer_length):
    tokenizer = AutoTokenizer.from_pretrained(TOKEN_PATH, use_fast=False, padding_side="left", trust_remote_code=True)
    streamer = TextStreamer(tokenizer, skip_special_tokens=True, skip_prompt=False)
    
    input_ids = tokenizer([input_prompts], return_tensors="pt", padding=False).input_ids
    model = xfastertransformer.AutoModel.from_pretrained(cover_model_path, dtype=MODEL_TYPE)
    generated_ids = model.generate(input_ids, max_length=answer_length, streamer=streamer)
    output_text = tokenizer.decode(generated_ids[0], skip_special_tokens=True)
    return output_text
    
if __name__ == "__main__":
    demo = gr.Interface(
         fn=greet,
         inputs=["text", gr.Slider(value=128, minimum=1, maximum=4096, step=1)],
         outputs=["text"],
    )
    
demo.launch()
    3. 修改脚本中MODEL_PATH、TOKEN_PATH，MODEL_TYPE三个参数的值。
      参数名说明
      MODEL_PATH模型地址，请修改为您下载的Llama-2-7b-hf模型绝对路径。
      TOKEN_PATHtokenizer地址，一般和模型在一个文件夹下。
      MODEL_TYPE模型精度，支持int4、int8、bf16等精度。
    4. (可选) 若您需要生成可公网访问、可分享给他人访问的模型使用地址（URL），请修改demo.launch()为demo.launch(share=True)。

      注意

      完成本修改后，还需根据步骤f，安装生成公网地址依赖文件。

    5. 按esc键退出编辑，输入:wq保存并退出文件。
    6. （可选） 下载生成公网地址依赖文件。
      1. 执行如下命令，下载依赖文件。
        wget https://cdn-media.huggingface.co/frpc-gradio-0.2/frpc_linux_amd64
      2. 执行如下命令，修改文件名称。
        mv frpc_linux_amd64 frpc_linux_amd64_v0.2
      3. 执行如下命令，将文件移动至gradio目录。
        sudo mv frpc_linux_amd64_v0.2 /usr/local/lib/python3.10/dist-packages/gradio/
      4. 执行如下命令，为依赖文件增加可执行权限。
        chmod +x /usr/local/lib/python3.10/dist-packages/gradio/frpc_linux_amd64_v0.2

步骤三：运行Llama-2-7b-hf模型

  1. 登录目标实例。

  2. llm2-demo.py文件所在目录，执行如下命令，运行模型。

    说明

    本实践通过numactl命令的-C参数绑定执行命令的物理CPU范围，以提高推理效率。

    • 若您也使用通用型g3i（ecs.g3i.8xlarge）规格实例，推荐您使用本命令进行绑核推理。
    • 若您使用其他规格实例，请根据实际情况调整物理CPU绑定范围。
    numactl -C 0,2,4,6,8,10,12,14,16,18,20,22,24,26,28,30 python3 llm2-demo.py

    成功运行示例

    注意

    public URL需完成步骤d配置后，才会生成。

  3. 您可以使用回显的URL，通过浏览器进入模型推理页面。

性能说明

测试数据

本节展示了使用ecs.g3i.8xlarge规格实例，通过Llama-2-7b-hf、Llama3-8B模型生成不同数据精度回答的性能数据。

说明

  • Llama3-8B模型部署、推理流程与本实践相同。模型详情可查看meta-llama/Meta-Llama-3-8B。
  • 数据说明：
    • 吞吐性能：本实践中，吞吐指模型在单位时间内输出的新Token数量(1个Token对应1个单词）。

      计算方式：输出新Token数量 * 批处理大小 / 总耗时(s)

    • 首包延时：模型在接收到输入文本后产生第一个输出的时间。
实例规格模型数据精度参数吞吐性能首包延时

ecs.g3i.8xlarge
（32 vCPU 128 GiB）

Llama-2-7b-hf

w8a8

  • 输入Token数量：512
  • 输出新Token数量：200
  • 批处理大小：1

24.04 Tokens/s

0.67 s

bf1614.48 Tokens/s0.85 s

Llama-3-8B

w8a8

22.12 Tokens/s

0.75 s

bf1613.1 Tokens/s0.89 s

测试结论

在搭载英特尔EMR处理器的ecs.g3i.8xlarge规格实例中，根据本实践调整后的生成文本模型，吞吐性能最高可达每秒24Tokens、首包延时最低0.67秒，基本可满足用户阅读需求，达到可商用的状态。
因此，在追求性价比、丰富实例资源场景下，您可以使用搭载英特尔EMR处理器的实例规格（例如通用型g3i）代替GPU实例，通过系统级加速方案获取最优性价比的高效生成文本服务。