前提说明：

• 这次实践用了两张A800（80G），每张卡消耗70G显存，总计140G

step1:下载模型

从huggingface（需科学上网）和modelscope两个平台下载模型

step2：安装vLLM

之前部署大模型用transformer库+OpenAI api，会有推理速度慢，server部署起来比较复杂的缺点，vLLM是一个LLM推理和服务库，原理类似于操作系统的虚拟内存。

现在说怎么安装，安装很简单

pip install vLLM	

要安装3G左右的包。
#step3 使用vLLM部署Mixtral 8*7b（重点）
先丢一串命令

python -u -m vllm.entrypoints.openai.api_server --host 0.0.0.0 --model /data/models/Mixtral-8x7B-Instruct-v0.1 --tensor-parallel-size 2

别着急，一个一个解释，先说跟python命令相关的，-u指python输出不缓冲，-m告诉python运行一个库模块，--host 指定服务器监听的主机地址，--model指定要使用的模型的路径，--tensor-parallel-size使得模型的张量可以分布在两个及以上GPU上，一张80G的A800放不下Mixtral 8*7b的参数（140），指定tensor-parallel-size=2将参数拆到两块上面，一张卡70G。

• --host 0.0.0.0 允许任何IP地址的设备都能访问这个服务
• --port 指定服务端口，默认是8000
• --model /data/models/Mixtral-8x7B-Instruct-v0.1 可以是模型名称或者本地路径。指定咱们使用Mixtral-8x7B-Instruct-v0.1模型，注意这里指定了模型所在路径，如果模型需要在线下载，直接指定模型名称，超大模型不建议在线下载，因为不稳定，而且代理没有那么多流量啊。
• --tensor-parallel-size 2指定张量并行的GPU数量，Mixtral模型有32个注意力头，必须均匀的分在GPU中，所以必须是32的因数（2、4、8、16），否则会报ValueError: Total number of attention heads (32) must be divisible by tensor parallel size (3).错误

其他没有用到的参数：

• --chat-template 聊天的模板，用户的输入+模板=最后的prompt
• --trust-remote-code 默认为false，如果人为修改过下载后的模型的话，会报错，建议设置成True
• --download-dir 在线下载模型权重时，指定的下载路径，默认是~/.cache
• --worker-use-ray 是否用ray来实现分布式推理服务，在GPU>2时默认开启
• --gpu-memory-utilizationGPU的利用率，0~1之间，默认是0.9，比如我是两张80G的卡，参数0.9，每张卡最高使用72G显存。如果显卡多，4张80G的卡，参数设置成0.5，就是每张显卡最多占40G显存，需要4张卡才能跑。感觉用不到，设置成0.5四张卡，不如0.9两张卡，还能有两张卡空闲着，除非四张卡的并行推理能提高推理速度。
  

step4 发请求

用requests库来模拟请求。model换成模型的目录

import requests
import json

# 定义请求的 URL 和数据
url = "http://<IP>:8000/v1/completions"
data = {
    "model": "/data/models/Mixtral-8x7B-Instruct-v0.1",
    "prompt": "请介绍一下AI的发展历史，AI的未来会如何发展？",
    "max_tokens": 1000,
    "temperature": 0.2
}

# 发送 POST 请求
response = requests.post(url, json=data)

# 检查响应
if response.status_code == 200:
    print("请求成功!")
    print("响应内容:", response.json()['choices'][0]["text"])
else:
    print("请求失败，状态码：", response.status_code)

解释一下参数：

• max-tokens:inputs_tokens+response_tokens的最大值，这里设置成1000
• temperature:温度越低，选可能性更高的token作为response，也就是回答越精炼、准确、字数越少。反之，更有多样性、发散、字数更多。建议值是0.2~1，如果设置成0，会导致每次询问都是同样的回答。

总结

vLLM作为一个推理和部署库，一条命令就能部署大模型推理服务。覆盖了用transformer和openapi或者FastAPI部署服务的过程，用起来很方便。

使用Transformer+fastapi

Step1：从本地加载模型

model_id = "/data/models/Mixtral-8x7B-Instruct-v0.1"
tokenizer = AutoTokenizer.from_pretrained(model_id, padding_side='left')
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.float16, device_map="auto")	

float16精度下只能在GPU上推理，占用显存90G
device_map="auto"自动把模型的不同层放到三块GPU上。
Step2：构造prompt模板
参考：huggingface Mixtral-8x7B-Instruct-v0.1主页 Instruction format部分
prompt必须严格遵循下面的格式，否则模型会胡言乱语(盲猜模型训练格式就是这个)

<s> [INST] Instruction [/INST] Model answer</s> [INST] Follow-up instruction [/INST]

def add_template_to_prompt(prompt):
    # prompt_templated = f"<s> [INST] {prompt} [/INST] Model answer </s> [INST] Follow-up instruction [/INST]"
    prompt_templated = f"<s> [INST] {prompt} [/INST] </s>"
    return prompt_templated

Step3: fastapi

app = FastAPI()
@app.post("/v1/completions")
async def chat(argument: ModelAugument):
    prompt_templated = add_template_to_prompt(argument.prompt)
    inputs = tokenizer(text=prompt_templated, return_tensors="pt")
    outputs = model.generate(**inputs, max_new_tokens=argument.max_tokens)
    outputs_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
    return outputs_text[outputs_text.find("[/INST]") + 7:] # truncate the prompt(as prefix)

Mixtral的又把prompt作为前缀输出了一遍，在Mistral的回答中prompt后面的才是真正的回答，所以做了个截断。举个例子：
prompt：

你好

模板化后：

<s> [INST] 你好 [/INST] </s>

Mistral回答

  [INST] 你好 [/INST] Hello! 你需要什么帮助吗？(Hello! Do you need any help?)

---

完整代码：

from transformers import AutoTokenizer, AutoModelForCausalLM
from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

model_id = "/data/models/Mixtral-8x7B-Instruct-v0.1"
tokenizer = AutoTokenizer.from_pretrained(model_id, padding_side='left')
model = AutoModelForCausalLM.from_pretrained(model_id)

class ModelAugument(BaseModel):
    prompt: str
    temperature: float
    max_tokens: int


def add_template_to_prompt(prompt):
    # prompt_templated = f"<s> [INST] {prompt} [/INST] Model answer </s> [INST] Follow-up instruction [/INST]"
    prompt_templated = f"<s> [INST] {prompt} [/INST] </s>"
    return prompt_templated

@app.post("/v1/completions")
async def chat(argument: ModelAugument):
    prompt_templated = add_template_to_prompt(argument.prompt)
    inputs = tokenizer(text=prompt_templated, return_tensors="pt")
    outputs = model.generate(**inputs, max_new_tokens=argument.max_tokens)
    outputs_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
    # outputs_text = outputs_text[outputs_text.find("[/INST]") + 7:] # truncate the prompt(as prefix)
    return outputs_text