LMDeploy大模型量化部署实践

一、大模型部署背景

1.模型部署的定义：

• 将训练好的模型在特定软硬件环境中启动的过程，使模型能够按收输入并返回预测结果。
• 为了满足性能和效率的需求，常常需要对模型进行优化，例如模型压缩和硬件加速。

2.大模型特点

• 内存开销巨大
  • 庞大的参数量。78 模型仅权重就需要 14+6 内存
  • 采用自回归生成 token，无要缓存 Attention 的 k/v,带来巨大的内存开销
• 动态shape
  • 请求数不固定
  • Token 逐个生成，且数量不定
• 相对视觉模型，LLM结构简单
  • Transformers 结构，大部分是 decoder-only

3.大模型部署背景

• 大模型部署挑战
  • 设备层面：如何应对巨大的存储问题？低存储设备（消费级显卡、手机等）如何部署？
  • 推理层面：如何加速token的生成速度？如何解决动态shape，让推理可以不间断？如何有效管理和利用内存？
  • 服务层面：如何提升系统整体吞吐量？对于个体用户，如何降低响应时间？

二、LMDeploy简介

基础作业：

• 使用 LMDeploy 以本地对话、网页Gradio、API服务中的一种方式部署 InternLM-Chat-7B 模型，生成 300 字的小故事（需截图）

进阶作业（可选做）

• 将第四节课训练自我认知小助手模型使用 LMDeploy 量化部署到 OpenXLab 平台。
• 对internlm-chat-7b模型进行量化，并同时使用KV Cache量化，使用量化后的模型完成API服务的部署，分别对比模型量化前后（将 bs设置为 1 和 max len 设置为512）和 KV Cache 量化前后（将 bs设置为 8 和 max len 设置为2048）的显存大小。
• 在自己的任务数据集上任取若干条进行Benchmark测试，测试方向包括：
  （1）TurboMind推理+Python代码集成
  （2）在（1）的基础上采用W4A16量化
  （3）在（1）的基础上开启KV Cache量化
  （4）在（2）的基础上开启KV Cache量化
  （5）使用Huggingface推理