本文以搭建大语言模型服务，介绍使用阿里云第八代Intel实例，基于xFasterTransformer单机部署Llama-2-7B语言模型。
背景信息
Llama-2-7B
Llama-2-7B是由Meta研发的70亿参数规模的开源大模型。最新版本的Llama 2现在对个人、创作者、研究人员和企业开放，以便他们可以负责任地进行实验、创新并扩展他们的想法。
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，还支持混合精度来更充分的利用CPU的计算资源和带宽资源，来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
阿里云不对第三方模型“Llama-2-7B”的合法性、安全性、准确性进行任何保证，阿里云不对由此引发的任何损害承担责任。
Llama-2-7B的代码受Meta许可证的约束，为了下载模型权重和分词器，请访问Meta官网申请许可证。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
前往实例创建页。
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。
系统盘：Llama-2-7B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。
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8080端口（22端口用于访问SSH服务，8080端口用于请求Llama2服务）。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
远程连接该ECS实例。
具体操作，请参见通过密码或密钥认证登录Linux实例。
安装并启动Docker。
具体操作，请参见安装Docker并使用（Linux）。
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。
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（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
在容器中安装依赖软件。
yum update yum install -y wget git git-lfs vim tmux启用Git LFS。
下载预训练模型需要Git LFS的支持。
git lfs install创建并进入模型数据目录。
mkdir /mnt/data cd /mnt/data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。
下载Llama-2-7B预训练模型。
pip install einops transformers_stream_generator tiktoken git clone https://www.modelscope.cn/modelscope/Llama2-Chinese-7b-Chat-ms.git llama-2-7b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/llama-2-7b-xft。python -c 'import xfastertransformer as xft; xft.LlamaConvert().convert("/mnt/data/llama-2-7b")'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Llama 2服务
安装相关依赖。
pip3 install -i https://mirrors.aliyun.com/pypi/simple/ mlserver将
/root/xFasterTransformer/serving/mlserver/single-rank/modelsettings.json中模型文件路径修改为正确路径。sed -i 's/"model_path": "[^"]*"/"model_path": "\/mnt\/data\/llama-2-7b-xft"/' /root/xFasterTransformer/serving/mlserver/single-rank/model-settings.json sed -i 's/"token_path": "[^"]*"/"token_path": "\/mnt\/data\/llama-2-7b"/' /root/xFasterTransformer/serving/mlserver/single-rank/model-settings.json说明模型其他配置可以在
model-settings.json中的parameters:extra中进行配置，包括数据格式，生成长度output_length等。MLServer框架支持批处理，将多个请求合并为一个请求进行推理，开启批处理请调整
max_batch_size和max_batch_time参数。max_batch_size：最多多少个请求可以被合并为一个，当设置N大于1时，最多创建batch size为N的请求。当设置为0或1时禁用该功能。
max_batch_time：在达到最大批处理大小前，等待新请求的最长时间，单位为秒。当设置为0时，禁用该功能。
配置服务IP地址，以启用公网访问。
默认IP地址为127.0.0.1，需要修改为0.0.0.0才能通过公网IP访问服务。配置文件为
/root/xFasterTransformer/serving/mlserver/singlerank/settings.json。sed -i 's/"host": "127\.0\.0\.1"/"host": "0.0.0.0"/g' /root/xFasterTransformer/serving/mlserver/single-rank/settings.json说明默认服务端口为8080，您也可以修改
settings.json中的http_port属性为自定义端口号。运行Llama 2服务。
cd /root/xFasterTransformer/serving/mlserver/single-rank/ 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 $NF}') - 2))) -m 0 mlserver start .
使用curl命令发送服务请求。
Llama-2-7B模型非AI聊天机器人版本，输出结果为续写模式。AI聊天模式请下载Llama-2-chat-7B版本模型，并将输入调整为chat格式：
"[INST] {输入Prompt} [/INST]"。在一台新实例或新的终端上，通过以下命令发送POST请求。请修改其中的ECS公网IP地址。prompt可以修改post_data中的data属性。
post_data='{"inputs": [{"name": "questions", "shape": [1, 1], "datatype": "BYTES", "parameters": {"content_type": "str"}, "data": ["你好，今天过得怎么样？"]}]}' url="http://<ECS公网IP地址>:8080/v2/models/xft-model/infer" curl -X POST -H "Content-Type: application/json" -d "$post_data" "$url"返回结果如下所示：
