基于ACK使用Triton部署Qwen模型推理服务_容器服务 Kubernetes 版 ACK(ACK)-阿里云帮助中心

本文以Qwen1.5-4B-Chat模型、GPU类型为T4和A10卡为例，演示如何在ACK中使用Triton和vLLM（Versatile Large Language Model）推理框架部署通义千问（Qwen）模型推理服务。

背景信息

Qwen1.5-4B-Chat

Qwen1.5-4B-Chat是阿里云基于Transformer大语言模型研发的40亿参数模型，模型在超大规模的预训练数据（预训练数据类型多样且覆盖广泛，包括大量网络文本、专业书籍、代码等）上进行训练得到。更多模型信息，请参见Qwen GitHub代码库。

Triton（Triton Inference Server）

Triton（Triton Inference Server）是NVIDIA开源的一个推理服务框架，可以帮助您快速搭建AI推理应用。Triton支持多种不同的机器学习框架作为它的运行时后端，包括TensorRT、TensorFlow、PyTorch、ONNX、vLLM等。Triton面向实时推理、批量推理以及音视频流式推理场景进行了许多优化，在推理时能获得更好的性能。Triton的核心功能包括：

支持多种机器学习和深度学习运行时框架
支持并发模型执行
动态Batching
支持暴露GPU利用率、请求延时、请求吞吐量等核心推理服务指标

更多关于Triton推理服务框架的信息，请参考Triton Inference Server GitHub代码库。

vLLM

vLLM是一个高效易用的大语言模型推理服务框架，vLLM支持包括通义千问在内的多种常见大语言模型。vLLM通过PagedAttention优化、动态批量推理（Continuous Batching）、模型量化等优化技术，可以取得较好的大语言模型推理效率。更多关于vLLM框架的信息，请参见vLLM GitHub代码库。

前提条件

已创建包含GPU节点的ACK集群Pro版，且集群版本为1.22及以上，GPU节点显存需为16GB及以上。具体操作，请参见创建ACK托管集群。
建议GPU节点使用525版本驱动，您可以通过为GPU节点池添加标签ack.aliyun.com/nvidia-driver-version:525.105.17指定驱动版本为525.105.17。具体操作，请参见通过指定版本号自定义节点GPU驱动版本。
已安装最新版Arena客户端。具体操作，请参见配置Arena客户端。

步骤一：准备模型数据

本文以Qwen1.5-4B-Chat模型为例，演示如何下载模型、上传模型至OSS，以及在ACK集群中创建对应的存储卷PV和存储卷声明PVC。

如需使用其他模型，请参见vLLM支持的模型列表；如需上传模型至NAS，请参见使用NAS静态存储卷。

下载模型文件。
1. 执行以下命令，安装Git。
```
# 可执行yum install git或apt install git安装。
yum install git
```
2. 执行以下命令，安装Git LFS（Large File Support）插件。
```
# 可执行yum install git-lfs或apt install git-lfs安装。
yum install git-lfs
```
3. 执行以下命令，将ModelScope上的Qwen1.5-4B-Chat仓库克隆到本地。
```
GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/qwen/Qwen1.5-4B-Chat.git
```
4. 执行以下命令，进入Qwen1.5-4B-Chat目录，下载LFS管理的大文件。
```
cd Qwen1.5-4B-Chat
git lfs pull
```
将下载的Qwen1.5-4B-Chat文件上传至OSS。
1. 登录OSS控制台，查看并记录已创建的Bucket名称。
  如何创建Bucket，请参见创建存储空间。
2. 安装和配置ossutil，用于管理OSS资源。具体操作，请参见安装ossutil。
3. 执行以下命令，在OSS创建名为Qwen1.5-4B-Chat的目录。
```
ossutil mkdir oss://<Your-Bucket-Name>/Qwen1.5-4B-Chat
```
4. 执行以下命令，上传模型文件至OSS。
```
ossutil cp -r ./Qwen1.5-4B-Chat oss://<Your-Bucket-Name>/Qwen1.5-4B-Chat
```

为目标集群配置存储卷PV和存储声明PVC。具体操作，请参见使用OSS静态存储卷。

以下为示例PV的配置信息：

配置项	说明
存储卷类型	OSS
名称	llm-model
访问证书	配置用于访问OSS的AccessKey ID和AccessKey Secret。
Bucket ID	选择已创建的OSS Bucket。
OSS Path	选择模型所在的路径，如/models/Qwen1.5-4B-Chat。

以下为示例PVC的配置信息：
配置项
说明
存储声明类型
OSS
名称
llm-model
分配模式
选择已有存储卷。
已有存储卷
单击选择已有存储卷链接，选择已创建的存储卷PV。

步骤二：配置Triton推理服务框架

以下创建Triton推理服务框架所需的vLLM配置文件config.pbtxt和Triton配置文件model.json。

执行以下命令，创建工作目录。
```
mkdir triton-vllm
```

执行以下命令，创建vLLM配置文件config.pbtxt。

cat << EOF > triton-vllm/config.pbtxt
backend: "vllm"

# The usage of device is deferred to the vLLM engine
instance_group [
  {
    count: 1
    kind: KIND_MODEL
  }
]

version_policy: { all { }}
EOF

执行以下命令，创建Triton配置文件model.json。
大模型对显存资源需求较高，因此在生产环境中，推荐您采用性能卓越的A10机型以确保最佳运行效果。若是出于测试目的，可以使用具备较高普及度和成本效益的T4机型，但T4的性能表现可能与A10存在较大差距。
单卡A10环境
```
cat << EOF > triton-vllm/model.json
{
    "model":"/model/Qwen1.5-4B-Chat",
    "disable_log_requests": "true",
    "gpu_memory_utilization": 0.95,
    "trust_remote_code": "true",
    "max_model_len": 16384
}
EOF
```
在以上配置文件中，通过max_model_len参数可配置模型最大可处理的Token长度，增大该参数可获得更好的模型对话效果，但是可能会占用更多GPU显存资源。使用vLLM + Triton推理服务框架的完整配置，请参见GitHub官方示例文档。
单卡T4环境
```
cat << EOF > triton-vllm/model.json
{
    "model":"/model/Qwen1.5-4B-Chat",
    "disable_log_requests": "true",
    "gpu_memory_utilization": 0.95,
    "trust_remote_code": "true",
    "dtype": "half",
    "max_model_len": 8192
}
EOF
```
在以上配置文件中，使用max_model_len参数可以设置模型最大可处理的Token长度，增大该参数可以获得更好的模型对话效果，但是可能会占用更多GPU显存资源。通过dtype参数可以设置模型加载时使用的浮点数精度，由于T4 GPU暂不支持bfloat16（bf16）精度，因此在上述配置中将dtype设置为半精度浮点数（half）。使用vLLM + Triton推理服务框架的完整配置，请参考GitHub官方示例文档。

步骤三：部署推理服务

以下使用Arena部署Qwen1.5-4B-Chat模型的推理服务。该推理服务使用Triton作为推理服务框架，使用vLLM作为模型推理框架。

执行以下命令，将环境变量triton_config_file和model_config_file分别指向步骤二中创建的Triton配置文件和vLLM配置文件，便于在不同环境下灵活配置和部署模型推理服务，而无需硬编码文件路径到每个命令或脚本中。
```
export triton_config_file="triton-vllm/config.pbtxt"
export model_config_file="triton-vllm/model.json"
```

执行以下命令，部署推理服务。

arena serve triton \
    --name=triton-vllm \
    --version=v1 \
    --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/tritonserver:24.04-vllm-python-py3 \
    --gpus=1 \
    --cpu=6 \
    --memory=30Gi \
    --data="llm-model:/model/Qwen1.5-4B-Chat" \
    --model-repository /triton-config \
    --config-file="$model_config_file:/triton-config/qwen-4b/1/model.json" \
    --config-file="$triton_config_file:/triton-config/qwen-4b/config.pbtxt" \
    --http-port=8000 \
    --grpc-port=9000 \
    --allow-metrics=true

参数说明如下所示：

参数	说明
--name	指定推理服务名称。
--version	指定推理服务版本。
--image	指定推理服务的镜像地址。
--gpus	指定单个推理服务副本需要使用的GPU卡数。
--cpu	指定单个推理服务副本需要使用的CPU数量。
--memory	指定单个推理服务副本需要使用的内存。
--data	挂载共享存储卷PVC到运行环境中。它由两部分组成，通过英文冒号（:）分割。冒号左侧是您已经准备好的PVC名称。您可以通过命令arena data list查看当前集群可用的PVC列表；冒号右侧是您想将PVC的挂载到运行环境中的路径，也是您训练代码要读取数据的本地路径。这样通过挂载的方式，您的代码就可以访问PVC的数据。
--config-file	挂载本地的配置文件到运行环境中。它由两部分组成，通过英文冒号（:）分割。冒号左侧是您已经准备好的本地文件；冒号右侧是本地文件挂载到运行环境中的路径。
--model-repository	Triton的模型仓库目录，模型仓库目录下可以包含多个子目录，每个子目录代表一个待加载到Triton推理服务框架中的一个模型，每个子目录下应当包含对应模型的配置文件。更多详细信息，请参见Triton官方文档。
--http-port	Triton推理服务暴露的HTTP端口。
--grpc-port	Triton推理服务暴露的gRPC端口。
--allow-metrics	是否暴露Triton推理服务的监控指标。

预期输出：

configmap/triton-vllm-v1-4bd5884e6b5b6a3 created
configmap/triton-vllm-v1-7815124a8204002 created
service/triton-vllm-v1-tritoninferenceserver created
deployment.apps/triton-vllm-v1-tritoninferenceserver created
INFO[0007] The Job triton-vllm has been submitted successfully
INFO[0007] You can run `arena serve get triton-vllm --type triton-serving -n default` to check the job status

输出结果表明推理服务已成功部署。

执行下列命令，查看推理服务的详细信息，等待服务就绪。

arena serve get triton-vllm

预期输出：

Name:       triton-vllm
Namespace:  default
Type:       Triton
Version:    v1
Desired:    1
Available:  1
Age:        3m
Address:    172.16.XX.XX
Port:       RESTFUL:8000,GRPC:9000
GPU:        1

Instances:
  NAME                                                  STATUS   AGE  READY  RESTARTS  GPU  NODE
  ----                                                  ------   ---  -----  --------  ---  ----
  triton-vllm-v1-tritoninferenceserver-b69cb7759-gkwz6  Running  3m   1/1    0         1    cn-beijing.172.16.XX.XX

输出结果表明该推理服务的一个Pod（triton-vllm-v1-tritoninferenceserver-b69cb7759-gkwz6）正在稳定运行，且已准备好提供服务。

步骤四：验证推理服务

执行以下命令，建立推理服务与本地环境之间的端口转发。
重要
请注意kubectl port-forward建立的端口转发不具备生产级别的可靠性、安全性和扩展性，因此仅适用于开发和调试目的，不适合在生产环境使用。更多关于Kubernetes集群内生产可用的网络方案的信息，请参见Ingress概述。
```
kubectl port-forward svc/triton-vllm-v1-tritoninferenceserver 8000:8000
```
预期输出：
```
Forwarding from 127.0.0.1:8000 -> 8000
Forwarding from [::1]:8000 -> 8000
```

执行以下命令，向Triton模型推理服务发送一条模型推理请求。

curl -X POST localhost:8000/v2/models/qwen-4b/generate -d '{"text_input": "什么是人工智能？人工智能是", "parameters": {"stream": false, "temperature": 0}}'

请将上述命令中的localhost替换为步骤三推理服务中的Address，URL路径中的qwen-4b替换为实际推理服务配置的模型名。

预期输出：

{"model_name":"qwen-4b","model_version":"1","text_output":"什么是人工智能？人工智能是计算机科学的一个分支，它研究如何使计算机具有智能行为。人工智能的目标"}

输出结果表明模型可以根据提问自动生成关于人工智能的定义。

（可选）步骤五：清理环境

如果不再使用已创建的资源，请及时清理。

执行以下命令，清理已部署的模型推理服务。
```
arena serve del triton-vllm
```

执行以下命令，清理已创建的PV和PVC。

kubectl delete pvc llm-model
kubectl delete pv llm-model

配置项	说明
存储声明类型	OSS
名称	llm-model
分配模式	选择已有存储卷。
已有存储卷	单击选择已有存储卷链接，选择已创建的存储卷PV。

背景信息

Qwen1.5-4B-Chat

Triton（Triton Inference Server）

vLLM

前提条件

步骤一：准备模型数据

步骤二：配置Triton推理服务框架

单卡A10环境

单卡T4环境

步骤三：部署推理服务

步骤四：验证推理服务

（可选）步骤五：清理环境