GPT大语言模型Vicuna本地化部署实践（效果秒杀Alpaca）

GPT大语言模型Vicuna本地化部署实践（效果秒杀Alpaca） | 京东云技术团队

2023-05-18 464

背景

上一篇文章《GPT大语言模型Alpaca-lora本地化部署实践》介绍了斯坦福大学的Alpaca-lora模型的本地化部署，并验证了实际的推理效果。

总体感觉其实并不是特别理想，原始Alpaca-lora模型对中文支持并不好，用52k的中文指令集对模型进行fine-tuning之后，效果依然达不到网上说的媲美GPT-3.5的推理效果，验证了那句话：“事不目见耳闻，而臆断其有无，可乎？”

在具有3块Tesla P40显卡的服务器上，利用3块GPU显卡加载模型参数和计算，进行一次简单的推理（非数学运算和逻辑运算）也需要大概30s-1min的时间，效率简直慢的惊人。在京东云GPU云主机部署上，虽然推理效率提高了很多，用中文数据集对模型进行了fine-tuning，然而对中文的支持也并不是很好，经常会出现乱码、重复问题、词不达意等情况。

最近大模型也同雨后春笋般的层出不穷，各个大厂和科研机构都推出了自己的大模型，其中基于LLaMA（开源且好用）的最多，所以决定再看看其他模型，有没有推理效果好，中文支持好，同时推理效率高的模型。

经过筛选，Vicuna-13B的推理效果据说达到了ChatGPT的90%以上的能力，优于LLaMA-13B和Alpaca-13B的效果（具体如下图所示）。评估方法是对各个模型Alpaca、LLaMA、ChatGPT和Bard输入同样的问题，然后通过GPT-4当裁判对推理结果进行打分，以ChatGPT的回答作为100分，回答越接近得分越高（虽然评估方法并不科学，但是目前看也没有更好的办法对模型推理结果进行更科学的评估）。

同时Vicuna的训练成本也很低，据说只需要$300左右，所以尝试本地化部署一下Vicuna-7B，看看效果如何，说干就干。

环境准备

由于之前本地化部署过Alpaca-lora模型了，本以为可以直接下载开源包，简单部署一下就可以看到效果了，结果发现我还是“too young，too simple”了，环境部署和解决包冲突的过程竟然比第一次部署Alpaca-lora模型还要费劲。

简单的复述一下部署流程，详细的可以参考上一篇内容《GPT大语言模型Alpaca-lora本地化部署实践》。

本地化部署或GPU云主机部署：GPU服务器具有4块独立的GPU，型号是P40，单个P40算力相当于60个同等主频CPU的算力；GPU云主机要选购P40https://www.jdcloud.com/cn/calculator/calHost
安装显卡驱动和CUDA驱动

模型准备

由于Vicuna 是基于LLaMA模型的，为了符合LLaMA 模型license授权，仅发布了 delta 权重，所以我们需要将原始llama-7b模型与delta模型权重合并之后，才能得到vicuna权重。

首先是下载llama-7b模型，由于文件比较大，所以用lfs直接从文件服务器上下载，大小有26G，执行：

git lfsclonehttps://huggingface.co/decapoda-research/llama-7b-hf

然后是下载delta模型，执行：

git lfsclonehttps://huggingface.co/lmsys/vicuna-7b-delta-v1.1

下载完成后进行权重合并，执行：

python -m fastchat.model.apply_delta \ --base ./model/llama-7b-hf \ --delta ./model/vicuna-7b-delta-v1.1 \ --target ./model/vicuna-7b-all-v1.1

这个合并过程会很快，最终结果如下，合并之后参数大小变成了13G。

合并之后的目录下会有配置文件和数据文件。

安装依赖包

Vicuna主要用到3个依赖包，fschat、tensorboardX和flash-attn，前2个安装比较顺利，直接pip install fschat、tensorboardX即可安装完成。flash-attn安装遇到了问题，一直报以下错误：

经过一番检索，发现是gcc版本太低导致的，需要升级gcc，首先查看了一下本地的gcc版本，gcc -v和g++ -v发现是4.8.5的，确实是太低了，那么既然要升级，就升级到最新版，直接下载13.1版本，可以在
http://ftp.gnu.org/gnu/gcc/选择想要安装的版本，这里选择的是gcc-13.1.0.tar.gz。

执行：

tar -xzf gcc-13.1.0.tar.gz

cd gcc-13.1.0

./contrib/download_prerequisites

mkdir build

cd build/

../configure -enable-checking=release -enable-languages=c,c++ -disable-multilib

然后执行make编译，注意这里make时间会非常长，可能会持续几个小时，可以使用 make -j 8让make最多运行8个编译命令同时运行，加快编译速度。

顺利完成后，我们再执行make install进行安装。

然后用gcc -v和g++ -v验证版本是否已经更新，如果提示如下，说明安装完成。

然后我们需要卸载原有的gcc和g++，切换到root权限，执行yum -y remove gcc g++。

配置新版本全局可用，执行ln -s /usr/local/bin/gcc /usr/bin/gcc。

更新链接库，执行：

查看原链接库：strings /usr/lib64/libstdc++.so.6 | grep CXXABI

删除原链接库：rm -f /usr/lib64/libstdc++.so.6

建立软连接：ln -s /usr/local/lib64/libstdc++.so.6.0.29 /usr/lib64/libstdc++.so.6

查看新链接库：strings /usr/lib64/libstdc++.so.6 | grep CXXABI

如果最新版本有变化，那么恭喜你，说明已经升级成功啦。

安装cuda

由于之前是用rpm包安装的cuda，有些文件是缺失的，运行时会报各种奇奇怪怪的错误，这里就不赘述了（只有经历过才会懂），直接介绍用二进制文件安装cuda过程。

下载地址：
https://developer.nvidia.com/cuda-11-7-0-download-archive?target_os=Linux&target_arch=x86_64&Distribution=CentOS&target_version=7&target_type=runfile_local

注意这里要选择runfile(local)。

然后执行sh
cuda_11.7.0_515.43.04_linux.run。

安装完成后，需要配置环境变量，在本地.bash_profile中配置如下两项：

下面验证一下安装是否成功，执行nvcc -V，如下图所示，那么恭喜你，安装成功啦。

安装cudnn和nccl

安装cudnn和nccl需要先在nvidia注册账号，注册之后可以在以下两个地址下载相应的rpm包，然后rpm -ivh XXXXX.rpm包即可。

cudnn下载地址： https://developer.nvidia.com/cudnn

nccl下载地址： https://developer.nvidia.com/nccl/nccl-legacy-downloads

安装完成后，如下图所示说明已经安装成功rpm包。

模型推理

又到激动人心的时刻啦，让我们来测试一下看看模型的推理效果如何？首先我们先擦拭一下还没有干透辛勤的汗水，一切努力，都是为了最终能跟机器人程序对上话，理想情况是让我们感觉它并不是一个机器人。

在终端执行如下命令，然后输入问题即可。

python -m fastchat.serve.cli --model-path ./model/vicuna-7b-all-v1.1 --style rich

当然，还可以根据不同的需求场景，设置不用的运行参数，如下：

#压缩模型预测效果会稍差一点，适合GPU显存不够的场景

python -m fastchat.serve.cli --model-path ./model/vicuna-7b-all-v1.1 --load-8bit --style rich

#使用cpu进行推理，速度会很慢，慎用

python -m fastchat.serve.cli --model-path ./model/vicuna-7b-all-v1.1 --device cpu --style rich

#使用多个GPU进行预测

python -m fastchat.serve.cli --model-path ./model/vicuna-7b-all-v1.1 --num-gpus 3 --style rich

1）推荐菜谱测试：

2）多语言测试：

3）代码能力测试：

4）数学计算测试

5）普通对话推荐

推理过程中GPU服务器资源使用情况，目前使用单GPU进行推理，都可以做到秒级响应，GPU内存空加载13G，推理时不到15G，推理时单GPU算力基本可以达到90%以上，甚至100%，如下图所示。

总结一下：

1）对精确的推理效果并不是很理想，比如推荐菜谱，感觉是在一本正经的胡说八道，按照推理的结果很难做出可口的饭菜️；

2）对多种自然语言的支持，这个真的是出乎预料，竟然日语和西班牙语完全都能够自如应对，可以说是相当的惊艳了；

3）编码能力还是可以的，能够大概给出基本需求，当然如果想直接编译执行可能还需要人工微调，但是作为辅助工具应该是没问题的；

4）数据计算能力目前看还是比较弱的，简单的乘法目前还不能够给出正确的答案；

5）普通的对话是完全没有问题的，对中文的理解也完全能否符合预期，解解闷排解一下孤独是能够cover住的。

由于模型目前还没有做fine-tuning，从目前的推理效果来看，已经是非常不错了，而且推理的效率也是非常不错的，即使使用单GPU进行推理也可以做到秒级响应，而且推理过程中显存占用也才只有60%多，跟空载时候的50%多没差多少，总之在没有经过fine-tuning的情况下，模型的推理表现和推理效率还是可以打7-8分（满分10分）的，如果假以时日，有足够的语料库和进行fine-tuning的话，效果还是可期的。

模型fine-tuning

要想使模型适合某一特定领域内的场景，获取特定领域的知识是必不可少的，基于原始模型就要做fine-tuning操作，那么我们尝试做一下fine-tuning，看看效果如何吧。

fine-tuning需要在终端执行一下命令：

torchrun --nproc_per_node=3 --master_port=40001 ./FastChat/fastchat/train/train_mem.py \
    --model_name_or_path ./model/llama-7b-hf  \
    --data_path dummy.json \
    --bf16 False \
    --output_dir ./model/vicuna-dummy \
    --num_train_epochs 2 \
    --per_device_train_batch_size 1 \
    --per_device_eval_batch_size 1 \
    --gradient_accumulation_steps 8 \
    --evaluation_strategy "no" \
    --save_strategy "steps" \
    --save_steps 300 \
    --save_total_limit 10 \
    --learning_rate 2e-5 \
    --weight_decay 0. \
    --warmup_ratio 0.03 \
    --lr_scheduler_type "cosine" \
    --logging_steps 1 \
    --report_to "tensorboard" \
    --fsdp "full_shard auto_wrap" \
    --fsdp_transformer_layer_cls_to_wrap 'LlamaDecoderLayer' \
    --tf32 False \
    --model_max_length 2048 \
    --gradient_checkpointing True \
    --lazy_preprocess True

最终./model/vicuna-dummy目录输出就是我们fine-tuning之后的模型权重文件目录。

很遗憾，本文fine-tuning没有成功，报错如下：

原因也很简单，由于我们使用的GPU型号是Tesla P40，此款显卡使用的SM_62架构，目前模型fine-tuning至少需要SM_75及以上架构，看社区有在4090、A100或者A80显卡上fine-tuning成功的，所以fine-tuning只能后续再更高架构的显卡上进行了。

后续工作

终上，Vicuna模型在整体表现和推理效率上可以说是秒杀Alpaca模型的，我们本文测试用的是Vicuna-7b，如果是Vicuna-13b效果会更好，而且对多种自然语言（包含中文）的支持也要远远好于Alpaca模型，确实像社区所说的，目前Vicuna模型可以说是开源大模型的天花板了，如果想基于开源大模型进行二次开发，是个不二的选择。

基于大模型的本地化部署工作目前就告一段落了，后续做的工作可能有以下几点：

1）如果有更好的显卡，可以对vicuna进行fine-tuinig，验证一下fine-tuning之后模型能不能学到特定领域的知识；后续准备使用公司内部提供的试用资源【京东云GPU云主机p.n3a100系列】，这个产品提供Nvidia® A100 GPU（80G显存），搭配使用Intel® Xeon® Platinum 8338C 处理器及DDR4内存，支持NVLink，单精度浮点运算峰值能达到156TFlops，可以说是最强算力了。

2）找到合适的与目前应用结合的场景，将大语言模型应用落地；

3）基于vicuna开源项目进行二次开发，封装成可用的服务；

4）基于大语言模型进行更多的探索和学习。

来源：京东云开发者社区

作者：Beyond_luo（未经授权请勿转载）

微信关注我们

原文链接：https://my.oschina.net/u/4090830/blog/8805003

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

如何让技术架构师具有预知未来业务发展的能力？ | 京东云技术团队

大家好，今天我们来分享业务架构，但是我们并不是以产品经理角度讲述一个业务架构是什么以及如何做？而是以一个技术架构师的角度，讲述如何承接业务架构或在没有业务架构的时候，如何判断业务变化趋势而对系统架构提前做出反应。一、发生背景研发人有技术架构，产品经理有业务架构（通常是一个人），当一个技术架构师不懂业务架构的时候，就会出现如下对话。技术工程师小王：“产品经理又改需求，昨天和我说订单按照库存状态拆分，我刚刚上线今天又和我说按照促销类型类型拆分” 架构师小孙：“业务本来就发展迅速的，那天他还和我说想根据商品体积拆分的，被我挡了回去”。技术工程师小王：“厉害，还是你有话语权”。我相信大家经常遇到类似的问题，然而如果技术架构师懂业务架构，就会变成下面的对话场景。技术工程师小王：“产品经理又改需求，昨天和我说订单按照库存状态拆分，我刚刚上线今天又和我说按照促销类型类型拆分，还好，你上次和我说这块规则是多变的，让我把不同订单拆分逻辑，拆分为原子化，我改下配置就搞定，不愧是架构师，你怎么知道这块多变？难道会占卜？” 架构师小孙：“哈哈，预知未来本来就是架构师的职责”。技术工程师小王：“快...

2023-05-18

392

一、"技术鄙视链？" 如果你是一个技术人，相信都知道技术圈有个相互的鄙视链，这个链条从技术人自己认知的角度在以业务价值为中心嵌套的一层一层的环，就像洋葱，具体的描述这里不赘述了。出门左拐随便抓住一个人问一下。这种偏自嘲类的观点，有点类似"程序员的穿着必须是格子衫"、"你们只会和电脑打交道"这种自嘲。开心一下，无可厚非。但是在玩笑之外，一个合格的技术人的内心要时刻谨记自己在一个企业内的价值所在，并不断的通过技术提升来扩大价值，才可以在当下的环境中，个人价值与企业价值形成正向循环。那我们此次就聊一聊，前端职能如何在不同的业务场景中落地价值。二、"技术人，你有价值吗？" 说到业务价值，有一个关键词，就是"特定的业务背景"。有人会说，技术就是技术，是通用的，为什么要把业务的概念引入到技术价值中呢？我对这个问题的回答也相当简单：技术本身没有业务属性，但是技术人所处的业务环境，从而决定了技术人此时此刻应该为环境提供什么类型的价值输出。对于前端领域的岗位职责，如前文（《“前端”工匠系列：合格的工匠，究竟该搞什么（一）》），“它的岗位角色更应该关注’采集和呈现‘两个部分”，这种职能定位就决定了它...

2023-05-18

355

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。