使用vLLM容器镜像快速构建大语言模型在GPU上的推理环境

在GPU的实例上部署vLLM镜像后，可以帮助您快速且方便地构建大语言模型（例如Llama模型、ChatGLM模型、百川Baichuan模型或通义千问Qwen模型）的推理环境，主要应用在智能对话系统、文本分类或分析等自然语言处理业务场景，您无需深入了解底层硬件，也无需额外配置即可开箱即用。本文为您介绍如何在GPU实例上使用vLLM容器镜像来快速构建大语言模型的推理服务。

说明

vLLM是一个开源的大语言模型的推理框架，与HuggingFace模型无缝集成，将vLLM打包成vLLM镜像后，可以快速且方便地构建大语言模型推理服务，更多信息，请参见vLLM。

准备工作

获取vLLM容器镜像详细信息，以便您在GPU实例上部署该容器镜像时使用。例如，创建GPU实例时需要提前了解容器镜像适用的GPU实例类型，拉取容器镜像时需要提前获取镜像地址等信息。

登录容器镜像服务控制台。
在左侧导航栏，单击制品中心。

在仓库名称搜索框，搜索vllm，并选择目标镜像egs/vllm。

vLLM容器镜像大概每3个月内更新一次。镜像列表详情如下所示：

镜像名称

组件信息

镜像地址

适用的GPU实例

（推荐）vLLM

vLLM：0.5.4
Python：3.10
PyTorch：2.4.0
CUDA：12.4.1
基础镜像：Ubuntu 22.04

egs-registry.cn-hangzhou.cr.aliyuncs.com/egs/vllm:0.5.4-pytorch2.4.0-cuda12.4.1-ubuntu22.04

vLLM镜像仅支持以下GPU实例规格族选择，更多信息，请参见GPU计算型（gn/ebm/scc系列）。

gn6e、ebmgn6e
gn7i、ebmgn7i、ebmgn7ix
gn7e、ebmgn7e、ebmgn7ex

vLLM

vLLM：0.4.0.post1
Python：3.10
PyTorch：2.1.2
CUDA：12.1.1
cuDNN：8.9.0.131
基础镜像：Ubuntu 22.04

egs-registry.cn-hangzhou.cr.aliyuncs.com/egs/vllm:0.4.0.post1-pytorch2.1.2-cuda12.1.1-cudnn8-ubuntu22.04

操作步骤

本操作以Ubuntu 20.04操作系统的gn7i实例规格为例。

创建GPU实例并安装Tesla驱动。
具体操作，请参见创建GPU实例。
在GPU实例上使用vLLM容器镜像，需要提前在该实例上安装Tesla驱动且驱动版本应为535或更高，建议您通过ECS控制台购买GPU实例时，同步选中安装GPU驱动。
说明
GPU实例创建完成后，会同时自动安装Tesla驱动、CUDA、cuDNN库等，相比手动安装方式更快捷。
远程连接GPU实例。
具体操作，请参见使用Workbench工具以SSH协议登录Linux实例。

执行以下命令，安装Docker环境。

sudo apt-get update
sudo apt-get -y install ca-certificates curl

sudo install -m 0755 -d /etc/apt/keyrings
sudo curl -fsSL http://mirrors.cloud.aliyuncs.com/docker-ce/linux/ubuntu/gpg -o /etc/apt/keyrings/docker.asc
sudo chmod a+r /etc/apt/keyrings/docker.asc


echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.asc] http://mirrors.cloud.aliyuncs.com/docker-ce/linux/ubuntu \
  $(. /etc/os-release && echo "$VERSION_CODENAME") stable" | \
  sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

sudo apt-get update
sudo apt-get install -y docker-ce docker-ce-cli containerd.io

执行以下命令，检查Docker是否安装成功。
```
docker -v
```
如下图回显信息所示，表示Docker已安装成功。

执行以下命令，安装nvidia-container-toolkit。

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
  && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
    sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
    sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit

设置Docker开机自启动并重启Docker服务。

sudo systemctl enable docker 
sudo systemctl restart docker

执行以下命令，查看Docker是否已启动。
```
sudo systemctl status docker
```
如下图回显所示，表示Docker已启动。
执行以下命令，拉取vLLM镜像。
说明
拉取vLLM镜像大约需要30分钟左右，请您耐心等待。
```
sudo docker pull <vLLM镜像地址>
```
请将代码中的<vLLM镜像地址>替换为您在准备工作中获取的vLLM镜像地址。
示例代码
```
sudo docker pull egs-registry.cn-hangzhou.cr.aliyuncs.com/egs/vllm:0.5.4-pytorch2.4.0-cuda12.4.1-ubuntu22.04
```
执行以下命令，运行vLLM容器。
```
sudo docker run -d -t --net=host --gpus all \
 --privileged \
 --ipc=host \
 --name vllm \
 -v /root:/root \
 <vLLM镜像地址>
```
请将代码中的<vLLM镜像地址>替换为您在准备工作中获取的vLLM镜像地址。
执行以下命令，查看vLLM容器是否启动成功。
```
docker ps
```
如下图回显所示，表示vLLM容器已启动。

测试验证

本测试以Qwen2.5-7B模型为例，展示使用vLLM的推理效果。

执行以下命令，安装git-lfs便于下载大语言模型。
```
apt install git-lfs
cd /root
```
执行以下命令，下载modelscope格式的Qwen2.5-7B模型。
```
git lfs clone https://www.modelscope.cn/Qwen/Qwen2.5-7B-Instruct.git
```
说明
下载模型过程中，如果显示内存不足导致模型下载失败，您可以通过扩容云盘来解决，具体操作，请参见云盘扩容指引。
执行以下命令，进入vLLM容器。
```
docker exec -it vllm bash
```
测试vLLM的推理效果。
- 离线推理测试
  vllm提供了测试脚本demo脚本（vllm_demo.py）。
  1. 执行以下命令，编辑vllm_demo.py脚本。
```
cd demo
vim vllm_demo.py
```
  2. 在vllm_demo.py脚本中，将模型路径替换为您模型实际下载的路径，然后退出并保存脚本。
  3. 执行以下命令，测试vLLM的推理效果。
```
python3 /workspace/demo/vllm_demo.py
```
  例如可以快速地处理对话问答任务，推理示例如下：
- 在线推理测试
  1. 执行以下命令，启动vLLM推理服务。
```
python3 -m vllm.entrypoints.openai.api_server \
--model /root/Qwen2.5-7B-Instruct \
--trust-remote-code \
--tensor-parallel-size 1
```
    如下所示，表示vLLM推理服务已启动。
  2. 执行以下命令，测试推理效果。
```
curl http://localhost:8000/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
    "model": "/root/Qwen2.5-7B-Instruct",   
    "messages": [
    {"role": "system", "content": "你是个友善的AI助手。"},
    {"role": "user", "content": "介绍一下什么是大模型推理。" }
    ]}'
```
    说明
    上述在线推理仅以一个demo的形式展示了推理效果。如果您想通过其他脚本测试在线推理的性能，请参考vllm官网中benchmarks下benchmark_serving.py的测试脚本。