-
Notifications
You must be signed in to change notification settings - Fork 580
inference_with_transformers_zh
我们提供了命令行和Web图形界面两种方式使用原生Transformers进行推理。
下面以加载Chinese-LLaMA-2-7B/Chinese-Alpaca-2-7B模型为例说明启动方式。
如果你下载的是完整版权重，或者之前已执行了merge_llama2_with_chinese_lora_low_mem.py脚本将LoRA权重与原版Llama-2合并，可直接加载完整版模型（请勿指定--lora_model）。
python scripts/inference/inference_hf.py \
--base_model path_to_merged_llama2_or_alpaca2_hf_dir \
--with_prompt \
--interactive如果你不想合并模型，也不想下载完整版模型，请通过加载原版Llama-2-hf和我们的LoRA模型进行推理。
python scripts/inference/inference_hf.py \
--base_model path_to_original_llama_2_hf_dir \
--lora_model path_to_chinese_llama2_or_alpaca2_lora \
--with_prompt \
--interactive可以使用vLLM作为LLM后端进行推理，需要额外安装vLLM库。
pip install vllm目前vLLM不支持加载LoRA模型（--lora_model），仅支持使用8bit推理(--load_in_8bit)或者纯CPU部署(--only_cpu)。
python scripts/inference/inference_hf.py \
--base_model path_to_merged_llama2_or_alpaca2_hf_dir \
--with_prompt \
--interactive \
--use_vllm命令行交互形式支持使用投机采样加速推理。可以使用小模型（Chinese-LLaMA-2-1.3B、Chinese-Alpaca-2-1.3B）作为Draft Model，加速大模型的推理。
关于投机采样的详细说明见投机采样解码。
python scripts/inference/inference_hf.py \
--base_model path_to_merged_llama2_or_alpaca2_hf_dir \
--with_prompt \
--interactive \
--speculative_sampling \
--draft_k 4 \
--draft_base_model path_to_llama2_1.3b_or_alpaca2_1.3b_hf_dir-
--base_model {base_model}：存放HF格式的LLaMA-2模型权重和配置文件的目录 -
--lora_model {lora_model}：中文LLaMA-2/Alpaca-2 LoRA解压后文件所在目录，也可使用🤗Model Hub模型调用名称。若不提供此参数，则只加载--base_model指定的模型 -
--tokenizer_path {tokenizer_path}：存放对应tokenizer的目录。若不提供此参数，则其默认值与--lora_model相同；若也未提供--lora_model参数，则其默认值与--base_model相同 -
--with_prompt：是否将输入与prompt模版进行合并。如果加载Alpaca模型，请务必启用此选项！ -
--interactive：以交互方式启动，以便进行多次单轮问答（此处不是llama.cpp中的上下文对话） -
--data_file {file_name}：非交互方式启动下，按行读取file_name中的的内容进行预测 -
--predictions_file {file_name}：非交互式方式下，将预测的结果以json格式写入file_name -
--only_cpu：仅使用CPU进行推理 -
--gpus {gpu_ids}：指定使用的GPU设备编号，默认为0。如使用多张GPU，以逗号分隔，如0,1,2 -
--alpha {alpha}：使用NTK方法拓展上下文长度的系数，可以提升可处理的输入长度。默认为1。如果不知道怎么设置，可以保持默认值，或设为"auto" -
--load_in_8bit或--load_in_4bit：使用8bit或4bit方式加载模型，降低显存占用 -
--system_prompt {system_prompt}：指定system prompt，默认为alpaca-2.txt中的内容。 -
--use_vllm：使用vLLM作为LLM后端进行推理 -
--guidance_scale {guidance_scale}: Classifier-Free Guidance (CFG) sampling强度。默认为1。当guidance_scale>1时，CFG sampling启用。与--use_vllm不可同时使用。 -
--negative_prompt {negative_prompt}: CFG sampling的反向提示语。默认为空，即不使用额外的反向提示语。 -
--speculative_sampling: 使用投机采样加速推理 -
--draft_k {draft_k}: 投机采样中小模型每次生成的token数。默认为0。传入非正整数时，使用动态变化的draft_k -
--draft_base_model {draft_base_model}: 存放HF格式的LLaMA-2小模型权重和配置文件的目录 -
--draft_lora_model {draft_lora_model}: 小模型的LoRA文件目录。若不提供此参数，则只加载--base_model指定的模型 -
--draft_model_load_in_8bit或--draft_model_load_in_4bit: 使用8bit或4bit方式加载小模型，降低显存占用 -
--use_flash_attention_2: 使用Flash-Attention加速推理 -
--use_ntk: 使用dynamic-ntk扩展上下文窗口，不适用64K版本长上下文模型。
该方式将启动Web前端页面进行交互，并且支持多轮对话。除transformers之外，需要安装gradio和mdtex2html：
pip install gradio
pip install mdtex2html如果你下载的是完整版权重，或者之前已执行了merge_llama2_with_chinese_lora_low_mem.py脚本将LoRA权重与原版Llama-2合并，可直接加载完整版模型（请勿指定--lora_model）。
python scripts/inference/gradio_demo.py --base_model path_to_merged_alpaca2_hf_dir 如果你不想合并模型，也不想下载完整版模型，请通过加载原版Llama-2-hf和我们的LoRA模型进行推理。
python scripts/inference/gradio_demo.py \
--base_model path_to_original_llama_2_hf_dir \
--lora_model path_to_chinese_alpaca2_lora如果之前已执行了merge_llama2_with_chinese_lora_low_mem.py脚本将LoRA权重合并，那么无需再指定--lora_model：
可以使用vLLM作为LLM后端进行推理，需要额外安装vLLM库（安装过程8-10分钟）。
pip install vllm目前vLLM不支持加载LoRA模型（--lora_model），仅支持使用8bit推理(--load_in_8bit)或者纯CPU部署(--only_cpu)。
python scripts/inference/gradio_demo.py --base_model path_to_merged_alpaca2_hf_dir --use_vllmWeb图形界面交互形式支持使用投机采样加速推理。可以使用小模型（Chinese-LLaMA-2-1.3B、Chinese-Alpaca-2-1.3B）作为Draft Model，加速大模型的推理。
关于投机采样的详细说明见投机采样解码。
python scripts/inference/gradio_demo.py \
--base_model path_to_merged_alpaca2_hf_dir \
--speculative_sampling \
--draft_base_model path_to_llama2_1.3b_or_alpaca2_1.3b_hf_dir-
--base_model {base_model}：存放HF格式的LLaMA-2模型权重和配置文件的目录 -
--lora_model {lora_model}：中文Alpaca-2 LoRA解压后文件所在目录，也可使用🤗Model Hub模型调用名称。若不提供此参数，则只加载--base_model指定的模型 -
--tokenizer_path {tokenizer_path}：存放对应tokenizer的目录。若不提供此参数，则其默认值与--lora_model相同；若也未提供--lora_model参数，则其默认值与--base_model相同 -
--only_cpu: 仅使用CPU进行推理 -
--gpus {gpu_ids}: 指定使用的GPU设备编号，默认为0。如使用多张GPU，以逗号分隔，如0,1,2 -
--alpha {alpha}：使用NTK方法拓展上下文长度的系数，可以提升有效上下文长度。默认为1。如果不知道怎么设置，可以保持默认值，或设为"auto"。关于取值对性能的影响可参考#23 -
--load_in_8bit或--load_in_4bit：使用8bit或4bit方式加载模型 -
--max_memory：多轮对话历史中存储的最大序列长度（以token计），默认1024 -
--use_vllm：使用vLLM作为LLM后端进行推理 -
--speculative_sampling: 使用投机采样加速推理 -
--draft_base_model {draft_base_model}: 存放HF格式的LLaMA-2小模型权重和配置文件的目录 -
--draft_lora_model {draft_lora_model}: 小模型的LoRA文件目录。若不提供此参数，则只加载--base_model指定的模型 -
--draft_model_load_in_8bit或--draft_model_load_in_4bit: 使用8bit或4bit方式加载小模型，降低显存占用 -
--flash_attn: 使用Flash-Attention加速推理
- 因不同框架的解码实现细节有差异，该脚本并不能保证复现llama.cpp的解码效果
- 该脚本仅为方便快速体验用，并未对推理速度做优化
- 如在CPU上运行7B模型推理，请确保有32GB内存；如在GPU上运行7B模型推理，请确保有16GB显存
我们在scripts/inference/speculative_sample.py中实现了投机采样解码。投机采样是一种解码加速策略，在每轮解码时先使用能力较弱但速度快的小模型作为草稿模型（Draft Model）预测多个token，然后由大模型检查这些token，并接受分布一致的部分，达到每轮生成大于等于1个token的效果，从而加速大模型的推理。使用方法参考命令行交互和Web图形界面交互中的相关说明。
下表给出了使用投机采样策略下，Chinese-LLaMA-2-1.3B和Chinese-Alpaca-2-1.3B作为draft model加速7B、13B的LLaMA和Alpaca模型的效果，可供参考。测试在1*A40-48G上完成，报告了生成每个token的平均时间，单位为ms/token。解码时小模型每次生成的token数（draft_k）采用动态变化策略。LLama模型的测试数据是中文摘要任务数据，Alpaca模型的测试数据是指令任务数据。
| 草稿模型 | 草稿模型速度 | 目标模型 | 目标模型速度 | 投机采样速度（加速比） |
|---|---|---|---|---|
| Chinese-LLaMA-2-1.3B | 7.6 | Chinese-LLaMA-2-7B | 49.3 | 36.0（1.37x） |
| Chinese-LLaMA-2-1.3B | 7.6 | Chinese-LLaMA-2-13B | 66.0 | 47.1（1.40x） |
| Chinese-Alpaca-2-1.3B | 8.1 | Chinese-Alpaca-2-7B | 50.2 | 34.9（1.44x） |
| Chinese-Alpaca-2-1.3B | 8.2 | Chinese-Alpaca-2-13B | 67.0 | 41.6（1.61x） |
在draft_k动态变化的设置下，Chinese-LLaMA-2-1.3B和Chinese-Alpaca-2-1.3B对7B、13B的LLaMA和Alpaca模型均有一定的加速解码效果。如要改变draft_k的设置，使用固定的draft_k，可以在使用scripts/inference/inference_hf.py脚本时修改传入的--draft_k参数，以及使用scripts/inference/gradio_demo.py脚本时在前端页面上修改draft_k参数（值为0时动态变化）。在不同使用场景下，调整draft_k的取值可能获得更高的加速效果。