本文介绍使用阿里云第八代Intel实例，基于xFasterTransformer单机部署通义千问Qwen-1.8B-Chat语言模型，并使用Qwen-1.8B-Chat推荐系统进行Query改写演示。
背景信息
通义千问-1.8B（Qwen-1.8B-Chat）
通义千问-1.8B是阿里云研发的通义千问大模型系列的18亿参数规模的模型。Qwen-1.8B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-1.8B的基础上，阿里云使用对齐机制打造了基于大语言模型的AI助手Qwen-1.8B-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
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：Qwen-1.8B-Chat模型数据下载、转换和运行过程中需要占用14 GiB的存储空间，为了保证模型顺利运行，建议系统盘设置为40 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
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Qwen-1.8B-Chat预训练模型。
pip install einops transformers_stream_generator tiktoken git clone https://www.modelscope.cn/qwen/Qwen-1_8B-Chat.git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-1_8B-Chat-xft。python -c 'import xfastertransformer as xft; xft.QwenConvert().convert("/mnt/data/Qwen-1_8B-Chat")'
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：在实例终端进行Query改写演示
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)) numactl -C $(seq -s, 0 2 $(($(lscpu | grep "^CPU(s):" | awk '{print $NF}') - 2))) -m 0 python demo.py -t /mnt/data/Qwen-1_8B-Chat -m /mnt/data/Qwen-1_8B-Chat-xft -d bf16 --chat true输入prompt，查看改写效果。
本示例输入：
lowercase format, remove redundancy: The Most Popular Most Popular Sneakers。
最终可以将输入的Query：
The Most Popular Most Popular Sneakers改写成标准的Query：The most popular sneakers.。