Llama 3 近期重磅发布，发布了 8B 和 70B 参数量的模型，LMDeploy 对 Llama 3 部署进行了光速支持，同时对 LMDeploy 推理 Llama 3-8B 进行了测试，在公平比较的条件下推理效率是 vLLM 的 1.8 倍。
书生·浦语和机智流社区同学光速投稿了 LMDeploy 高效量化部署 Llama 3 实践教程，欢迎 Star。
LMDeploy：（文末点击阅读原文可直达）
https://github.com/internLM/LMDeploy
Llama 3 全系列中文课程：
https://github.com/SmartFlowAI/Llama3-Tutorial
本文将分为以下几个部分来介绍，如何使用 LMDeploy来部署 Llama 3（以 InternStudio 的环境为例）。
环境、模型准备
LMDeploy Chat CLI 工具
LMDeploy 模型量化（lite）
LMDeploy 服务（serve）
LMDeploy Llama 3 推理测速
使用 LMDeploy 运行视觉多模态大模型 Llava-Llama-3
1. 环境，模型准备
1.1 环境配置
# 如果你是 InternStudio 可以直接使用# studio-conda -t lmdeploy -o pytorch-2.1.2# 初始化环境conda create -n lmdeploy python=3.10conda activate lmdeployconda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia
安装 LMDeploy 最新版
pip install -U lmdeploy1.2 Llama3 的下载
安装 git-lfs 依赖
conda install gitapt-get install git-lfsgit-lfs install
下载模型
mkdir -p ~/modelcd ~/modelgit clone https://code.openxlab.org.cn/MrCat/Llama-3-8B-Instruct.git Meta-Llama-3-8B-Instruct
或者软链接 InternStudio 中的模型
mkdir -p ~/modelln -s /root/share/new_models/meta-llama/Meta-Llama-3-8B-Instruct ~/model/Meta-Llama-3-8B-Instruct
2. LMDeploy Chat CLI 工具
直接在终端运行：
conda activate lmdeploylmdeploy chat /root/model/Meta-Llama-3-8B-Instruct
运行结果是：
3. LMDeploy 模型量化（lite）
本部分内容主要介绍如何对模型进行量化。主要包括 W4A16 量化和 KV INT8、INT4 量化。
3.1 设置最大 KV Cache 缓存大小
模型在运行时，占用的显存可大致分为三部分：模型参数本身占用的显存、KV Cache 占用的显存，以及中间运算结果占用的显存。LMDeploy 的 KV Cache 管理器可以通过设置 --cache-max-entry-count 参数，控制 KV 缓存占用剩余显存的最大比例。默认的比例为 0.8。
下面通过几个例子，来看一下调整 --cache-max-entry-count 参数的效果。首先保持不加该参数（默认0.8），运行 Llama3-8b 模型。
lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct/新建一个终端运行。
# 如果你是InternStudio 就使用# studio-sminvidia-smi
此时模型的占用为 33236M。下面，改变`--cache-max-entry-count`参数，设为 0.5。
lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct/ --cache-max-entry-count 0.5新建一个终端运行。
# 如果你是InternStudio 就使用# studio-sminvidia-smi
看到显存占用明显降低，变为 26708 M。
下面来一波“极限”，把 --cache-max-entry-count 参数设置为 0.01，约等于禁止 KV Cache 占用显存。
lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct/ --cache-max-entry-count 0.01
然后与模型对话，可以看到，此时显存占用仅为 16176M，代价是会降低模型推理速度。
3.2 使用 W4A16 量化权重
仅需执行一条命令，就可以完成模型量化工作。
lmdeploy lite auto_awq \/root/model/Meta-Llama-3-8B-Instruct \--calib-dataset 'ptb' \--calib-samples 128 \--calib-seqlen 1024 \--w-bits 4 \--w-group-size 128 \--work-dir /root/model/Meta-Llama-3-8B-Instruct_4bit
运行时间较长，请耐心等待。量化工作结束后，新的 HF 模型被保存到 Meta-Llama-3-8B-Instruct_4bit 目录。下面使用 Chat 功能运行 W4A16 量化后的模型。
lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct_4bit --model-format awq为了更加明显体会到 W4A16 的作用，我们将 KV Cache 比例再次调为 0.01，查看显存占用情况。
lmdeploy chat /root/model/Meta-Llama-3-8B-Instruct_4bit --model-format awq --cache-max-entry-count 0.01可以看到，显存占用变为 16176MB，明显降低。
3.3 在线量化 KV
自 v0.4.0 起，LMDeploy KV 量化方式有原来的离线改为在线。并且，支持两种数值精度 int4、int8。量化方式为 per-head per-token 的非对称量化。它具备以下优势：
量化不需要校准数据集。
kv int8 量化精度几乎无损，kv int4 量化精度在可接受范围之内。
推理高效，在 llama2-7b 上加入 int8/int4 kv 量化，RPS 相较于 fp16 分别提升近 30% 和 40%。
支持 volta 架构（sm70）及以上的所有显卡型号：V100、20系列、T4、30系列、40系列、A10、A100 等等。
通过 LMDeploy 应用 kv 量化非常简单，只需要设定 quant_policy 参数。LMDeploy 规定 qant_policy=4表示 kv int4 量化，quant_policy=8 表示 kv int8 量化。
4. LMDeploy服务（serve）
在前面的章节，我们都是在本地直接推理大模型，这种方式成为本地部署。在生产环境下，我们有时会将大模型封装为 API 接口服务，供客户端访问。
4.1 启动 API 服务器
通过以下命令启动 API 服务器，推理 Meta-Llama-3-8B-Instruct 模型：
lmdeploy serve api_server \/root/model/Meta-Llama-3-8B-Instruct \--model-format hf \--quant-policy 0 \--server-name 0.0.0.0 \--server-port 23333 \--tp 1
其中，model-format、quant-policy 这些参数是与第三章中量化推理模型一致的；server-name 和 server-port 表示 AP I服务器的服务 IP 与服务端口；tp 参数表示并行数量（GPU 数量）。
通过运行以上指令，我们成功启动了 API 服务器，请勿关闭该窗口，后面我们要新建客户端连接该服务。
你也可以直接打开 http://{host}:23333 查看接口的具体使用说明，如下图所示。
注意，这一步由于 Server 在远程服务器上，所以本地需要做一下 ssh 转发才能直接访问。在你本地打开一个 cmd 窗口，输入命令如下：
ssh -CNg -L 23333:127.0.0.1:23333 -p 你的ssh端口号ssh 端口号就是下面图片里的 39864，请替换为你自己的。
然后打开浏览器，访问 http://127.0.0.1:23333。
4.2 命令行客户端连接 API 服务器
在“4.1”中，我们在终端里新开了一个 API 服务器。
本节中，我们要新建一个命令行客户端去连接 API 服务器。首先通过 VS Code 新建一个终端。
激活 conda 环境：
conda activate lmdeploy运行命令行客户端：
lmdeploy serve api_client http://localhost:23333运行后，可以通过命令行窗口直接与模型对话。
4.3 网页客户端连接 API 服务器
关闭刚刚的 VSCode 终端，但服务器端的终端不要关闭。
运行之前确保自己的 gradio 版本低于 4.0.0。
pip install gradio==3.50.2新建一个 VSCode 终端，激活 conda 环境。
conda activate lmdeploy使用 Gradio 作为前端，启动网页客户端。
lmdeploy serve gradio http://localhost:23333 \--server-name 0.0.0.0 \--server-port 6006
打开浏览器，访问地址 http://127.0.0.1:6006
然后就可以与模型进行对话了！
拓展部分
5. LMDeploy Llama3 推理测速
使用 LMDeploy 在 A100（80G）推理 Llama-3-8B-Instruct，每秒请求处理数（RPS）高达 25，是 vLLM 推理效率的 1.8+ 倍。
它的 benchmark 方式如下：
克隆仓库
cd ~git clone https://github.com/Shengshenlan/Llama3-XTuner-CN.git
下载测试数据
cd /root/lmdeploywget https://hf-mirror.com/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json
执行 benchmark 命令（如果你的显存较小，可以调低 --cache-max-entry-count）
python benchmark/profile_throughput.py \ShareGPT_V3_unfiltered_cleaned_split.json \/root/model/Meta-Llama-3-8B-Instruct \--cache-max-entry-count 0.95 \--concurrency 256 \--model-format hf \--quant-policy 0 \--num-prompts 10000
结果是：
concurrency: 256elapsed_time: 399.739sfirst token latency(s)(min, max, ave): 0.068, 4.066, 0.285per-token latency(s) percentile(50, 75, 95, 99): [0, 0.094, 0.169, 0.227]number of prompt tokens: 2238364number of completion tokens: 2005448token throughput (completion token): 5016.892 token/stoken throughput (prompt + completion token): 10616.453 token/sRPS (request per second): 25.016 req/sRPM (request per minute): 1500.979 req/min
6. 使用 LMDeploy
运行视觉多模态大模型
Llava-Llama-3
6.1 安装依赖
pip install git+https://github.com/haotian-liu/LLaVA.git6.2 运行模型
运行 touch /root/pipeline_llava.py 新建一个文件夹，复制下列代码进去：
from lmdeploy import pipeline, ChatTemplateConfigfrom lmdeploy.vl import load_imagepipe = pipeline('xtuner/llava-llama-3-8b-v1_1-hf',chat_template_config=ChatTemplateConfig(model_name='llama3'))image = load_image('https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/tests/data/tiger.jpeg')response = pipe(('describe this image', image))print(response.text)
运行结果为：
你可以在 https://huggingface.co/xtuner/llava-llama-3-8b-v1_1-hf 找到更多细节。
教程如有误请访问获取最新内容：
https://github.com/SmartFlowAI/Llama3-Tutorial/
