AI 助理
备案控制台
文档
输入文档关键字查找
首页 云服务器 ECS 实践教程 AIGC实践 使用第八代Intel实例部署Qwen-7B-Chat模型

使用第八代Intel实例部署Qwen-7B-Chat

更新时间：
产品详情
我的收藏

本文以搭建AI对话机器人为例，介绍如何使用基于英特尔CPU的c8i实例，基于xFasterTransformer框架部署Qwen-7B-Chat语言模型。

背景信息

通义千问-7B（Qwen-7B-Chat）

通义千问-7B（Qwen-7B）是阿里云研发的通义千问大模型系列的70亿参数规模模型。Qwen-7B是基于Transformer的大语言模型，在超大规模的预训练数据上进行训练得到。预训练数据类型多样，覆盖广泛，包括大量网络文本、专业书籍、代码等。同时，在Qwen-7B 的基础上，使用对齐机制打造了基于大语言模型的AI助手Qwen-7B-Chat。

阿里云第八代Intel CPU实例

阿里云八代实例（g8i/c8i/r8i/hfc8i/hfg8i/hfr8i）采用Intel® Xeon® Emerald Rapids或者Intel® Xeon® Sapphire Rapids，该实例支持使用新的AMX（Advanced Matrix Extensions）指令来加速AI任务。相比于上一代实例，八代实例在Intel® AMX的加持下，推理和训练性能大幅提升。

xFasterTransformer

xFasterTransformer是由Intel官方开源的推理框架，为大语言模型（LLM）在CPU X86平台上的部署提供了一种深度优化的解决方案，支持多CPU节点之间的分布式部署方案，使得超大模型在CPU上的部署成为可能。此外，xFasterTransformer提供了C++和Python两种API接口，涵盖了从上层到底层的接口调用，易于用户使用并将xFasterTransformer集成到自有业务框架中。xFasterTransformer目前支持的模型如下：

Models

Framework

Distribution

Pytorch

C++

ChatGLM

√

√

√

ChatGLM2

√

√

√

ChatGLM3

√

√

√

Llama

√

√

√

Llama2

√

√

√

Baichuan

√

√

√

QWen

√

√

√

SecLLM(YaRN-Llama)

√

√

√

Opt

√

√

√

xFasterTransformer支持多种低精度数据类型来加速模型部署。除单一精度以外，还支持混合精度，以更充分地利用CPU的计算资源和带宽资源，从而提高大语言模型的推理速度。以下是xFasterTransformer支持的单一精度和混合精度类型：

  • FP16

  • BF16

  • INT8

  • W8A8

  • INT4

  • NF4

  • BF16_FP16

  • BF16_INT8

  • BF16_W8A8

  • BF16_INT4

  • BF16_NF4

  • W8A8_INT8

  • W8A8_int4

  • W8A8_NF4

重要

Qwen-7B-Chat的代码依照LICENSE开源，免费商用需填写商业授权申请。您应自觉遵守第三方模型的用户协议、使用规范和相关法律法规，并就使用第三方模型的合法性、合规性自行承担相关责任。

步骤一：创建ECS实例

  1. 前往实例创建页。

  2. 按照界面提示完成参数配置，创建一台ECS实例。

    需要注意的参数如下，其他参数的配置，请参见自定义购买实例。

    • 实例：Qwen-7B-Chat运行大概需要16 GiB内存以上，为了保证模型运行的稳定，实例规格至少需要选择ecs.c8i.4xlarge（32 GiB内存）。

    • 镜像：Alibaba Cloud Linux 3.2104 LTS 64位。

    • 公网IP：选中分配公网IPv4地址，带宽计费模式选择按使用流量，带宽峰值设置为100 Mbps。以加快模型下载速度。

      image..png

    • 系统盘：Qwen-7B-Chat模型数据下载、转换和运行过程中需要占用60 GiB的存储空间，为了保证模型顺利运行，建议系统盘设置为100 GiB。

  3. 添加安全组规则。

    在ECS实例安全组的入方向添加安全组规则并放行22端口和7860端口（22端口用于访问SSH服务，7860端口用于访问WebUI页面）。具体操作，请参见添加安全组规则。

步骤二：安装模型所需容器环境

  1. 远程连接该ECS实例。

    具体操作，请参见使用Workbench工具以SSH协议登录Linux实例。

  2. 安装并启动Docker。

    具体操作，请参见安装Docker。

  3. 获取并运行Intel xFasterTransformer容器。

    sudo docker pull registry.openanolis.cn/openanolis/xfastertransformer:1.7.3-23
sudo docker run -it --name xFT -h xFT --privileged --shm-size=16g --network host -v /mnt:/mnt -w /mnt/xFasterTransformer registry.openanolis.cn/openanolis/xfastertransformer:1.7.3-23

    当出现类似如下信息时，表示已获取并成功运行xFasterTransformer容器。

    image

    重要

    后续操作都需要在容器中运行，如果退出了容器，可以通过以下命令启动并再次进入容器的Shell环境。

    sudo docker start xFT
sudo docker exec -it xFT bash

  4. （可选）更新xFasterTransformer脚本代码。

    xFasterTransformer镜像中已包含对应版本的脚本代码，可以更新升级到最新的测试脚本。

    yum update -y
yum install -y git
cd /root/xFasterTransformer
git pull

步骤三：准备模型数据

  1. 在容器中安装依赖软件。

    yum update -y
yum install -y wget git git-lfs vim tmux

  2. 启用Git LFS。

    下载预训练模型需要Git LFS的支持。

    git lfs install

  3. 创建并进入模型数据目录。

    mkdir /mnt/data
cd /mnt/data

  4. 创建一个tmux session。

    tmux
    重要

    下载预训练模型耗时较长，且成功率受网络情况影响较大，建议在tmux session中下载，以避免ECS断开连接导致下载模型中断。

  5. 下载Qwen-7B-Chat预训练模型。

    git clone https://www.modelscope.cn/qwen/Qwen-7B-Chat.git /mnt/data/qwen-7b-chat
    重要

    在执行git clone命令后，Git将通过Git LFS开始下载仓库及其所有大文件。这个过程可能需要几分钟到几小时不等，具体取决于模型大小和网络条件，请您耐心等待。

    当出现如下信息时，表示预训练模型已下载成功。

    image

  6. 转换模型数据。

    由于下载的模型数据是HuggingFace格式，需要转换成xFasterTransformer格式。生成的模型文件夹为/mnt/data/qwen-7b-chat-xft。

    python -c 'import xfastertransformer as xft; xft.QwenConvert().convert("/mnt/data/qwen-7b-chat")'

    当出现如下信息时，表示模型转换成功。

    image

    说明

    不同的模型数据使用的Convert类不同，xFasterTransformer支持以下模型转换类：

    • LlamaConvert

    • ChatGLMConvert

    • ChatGLM2Convert

    • ChatGLM3Convert

    • OPTConvert

    • BaichuanConvert

    • QwenConvert

步骤四：运行模型进行AI对话

在Web页面中进行对话

  1. 在容器中，依次执行以下命令，安装WebUI相关依赖软件。

    cd /root/xFasterTransformer/examples/web_demo
pip install -r requirements.txt

  2. 执行以下命令，升级gradio以避免与fastapi的冲突。

    pip install --upgrade gradio

  3. 执行以下命令，启动WebUI。

    OMP_NUM_THREADS=$(($(lscpu | grep "^CPU(s):" | awk '{print $NF}') / 2)) GRADIO_SERVER_NAME="0.0.0.0" numactl -C $(seq -s, 0 2 $(($(lscpu | grep "^CPU(s):" | awk '{print $NF}') - 2))) -m 0 python Qwen.py -t /mnt/data/qwen-7b-chat -m /mnt/data/qwen-7b-chat-xft -d bf16

    当出现如下信息时，表示WebUI服务启动成功。

    image

  4. 在浏览器地址栏输入http://<ECS公网IP地址>:7860，进入Web页面。

    image

  5. 在页面对话框中，输入对话内容，然后单击Submit，即可进行AI对话。

    image

在实例终端进行对话

执行以下命令，启动AI对话程序。

cd /root/xFasterTransformer/examples/pytorch
OMP_NUM_THREADS=$(($(lscpu | grep "^CPU(s):" | awk '{print $NF}') / 2)) LD_PRELOAD=libiomp5.so numactl -C $(seq -s, 0 2 $(($(lscpu | grep "^CPU(s):" | awk '{print $NF}') - 2))) -m 0 python demo.py -t /mnt/data/qwen-7b-chat -m /mnt/data/qwen-7b-chat-xft -d bf16 --chat true

image

Benchmark模型性能

运行benchmark脚本时默认使用的是假模型数据，因此不需要准备模型数据。您执行以下指令来测试模型性能。

cd /root/xFasterTransformer/benchmark
XFT_CLOUD_ENV=1 bash run_benchmark.sh -m qwen-7b -d bf16 -bs 1 -in 32 -out 32 -i 10

通过调整运行参数，来测试指定场景下的性能数据：

  • -d 或 --dtype选择模型量化类型：

    • bf16 (default)

    • bf16_fp16

    • int8

    • bf16_int8

    • fp16

    • bf16_int4

    • int4

    • bf16_nf4

    • nf4

    • bf16_w8a8

    • w8a8

    • w8a8_int8

    • w8a8_int4

    • w8a8_nf4

  • -bs或--batch_size选择batch size大小，默认为1。

  • -in或--input_tokens选择输入长度，自定义长度请在prompt.json中配置对应的prompt，默认为32。

  • -out或--output_tokens选择生成长度，默认为32。

  • -i或--iter选择迭代次数，迭代次数越大，等待测试结果的时间越长，默认为10次。

运行结果展示如下：

image

上一篇：使用第八代Intel实例单机部署Qwen-72B-Chat下一篇：使用Intel CPU实例部署Qwen-1.8B-Chat推荐系统并进行Query改写演示
文档推荐