在处理大语言模型任务时,您可以选择在GPU云服务器环境下安装推理引擎TensorRT-LLM,然后通过使用TensorRT-LLM工具实现大语言模型(例如Llama模型、ChatGLM模型、百川Baichuan模型等)在GPU上的高性能推理优化功能。本文为您介绍安装和使用TensorRT-LLM的方法。
背景信息
TensorRT-LLM是NVIDIA推出的一个开源推理加速库,专门用于编译和优化大语言模型推理。关于TensorRT-LLM支持的模型和GPU卡等信息,请参见TensorRT-LLM。
使用限制
仅支持在GPU计算型实例上安装TensorRT-LLM,更多信息,请参见GPU计算型实例规格族。本文以在gn6i实例上安装TensorRT-LLM为例。
阿里云的云市场镜像中仅Ubuntu 22.04 64位系统的镜像预装了TensorRT-LLM工具。
阿里云的公共镜像中仅Ubuntu 22.04 64位系统的镜像支持安装TensorRT-LLM工具。
安装TensorRT-LLM
云市场镜像中已预装了TensorRT-LLM工具,在创建GPU实例时,您可以一键获取预装TensorRT-LLM的镜像自动安装TensorRT-LLM,也可以先购买GPU实例,然后手动安装TensorRT-LLM。
自动方式(选择云市场镜像)
获取云市场镜像并创建GPU实例。
云市场镜像中预装了TensorRT-LLM工具,您可以通过以下两个入口获取云市场镜像。
通过ECS购买页面获取
前往实例创建页。
选择自定义购买页签。
按需选择付费类型、地域、网络及可用区、实例规格、镜像等配置。
需要注意的参数项设置如下图所示,其他配置项参数的详细说明,请参见配置项说明。
实例:以
ecs.gn6i-c4g1.xlarge
实例规格为例。镜像:在云市场镜像中搜索
tensorrt-llm
,然后选择所需镜像。在创建GPU计算型实例时,云市场镜像中提供了更多基于预装大语言模型Tensorrt-LLM推理加速解决方案的镜像供您选择,具体镜像及版本信息如下。支持的实例规格
预装大语言模型框架的镜像
最新版本
预装tensorrt-llm的ubuntu 22.04系统
V 0.8.0
预装tensorrt-llm的ubuntu 20.04系统
V 0.6.1
预装tensorrt-llm的ubuntu 22.04系统(VM版本):选择VM版本镜像时,安装了TensorRT-LLM后即可立即使用TensorRT-LLM,无需额外配置。
预装tensorrt-llm的ubuntu 20.04系统(docker版本):选择docker版本镜像时,安装了TensorRT-LLM后,您需要启动Docker才能使用TensorRT-LLM。
按照页面提示操作,单击确定下单。
在支付页面查看实例的总费用,如无疑问,按照提示完成支付。
通过云市场获取
前往阿里云云市场页面。
在页面的搜索框输入
tensorrt-llm
并按回车键。选择需要的镜像类型,单击详情。
云市场镜像中提供了更多基于预装大语言模型Tensorrt-LLM推理加速解决方案的镜像供您选择,具体镜像及版本信息如下。
支持的实例规格
预装大语言模型框架的镜像
最新版本
预装tensorrt-llm的ubuntu 22.04系统
V 0.8.0
预装tensorrt-llm的ubuntu 20.04系统
V 0.6.1
预装tensorrt-llm的ubuntu 22.04系统(VM版本):选择VM版本镜像时,安装了TensorRT-LLM后即可立即使用TensorRT-LLM,无需额外配置。
预装tensorrt-llm的ubuntu 20.04系统(docker版本):选择docker版本镜像时,安装了TensorRT-LLM后,您需要启动Docker才能使用TensorRT-LLM。
在镜像详情页,单击立即购买。
说明购买镜像时,系统镜像本身是免费的,您只需要支付GPU云服务器的费用。
在实例购买页的镜像区域,查看云市场镜像页签下是否已选中所购买镜像。
下图以购买的镜像被选中为例,如果镜像未被选中,则您需要继续单击重新选择镜像,选择所需镜像。
在实例购买页,配置其他参数并创建GPU实例。
更多信息,请参见配置项说明。
远程连接GPU实例。
登录GPU实例后即表示TensorRT-LLM工具已成功安装,具体操作,请参见通过密码或密钥认证登录Linux实例。
手动方式(选择公共镜像)
先创建GPU实例(镜像须选择公共镜像中的Ubuntu 22.04 64位系统镜像),然后在该GPU实例上安装TensorRT-LLM。
创建GPU实例。
远程连接GPU实例。
具体操作,请参见通过密码或密钥认证登录Linux实例。
(可选)查看GPU实例的驱动、CUDA以及CUDNN是否安装成功。
依次执行以下命令,安装TensorRT-LLM以及相应依赖。
说明下载和安装过程需要较长时间,请您耐心等待。
apt-get update apt-get -y install python3.10 python3-pip openmpi-bin libopenmpi-dev pip3 install tensorrt_llm -U --extra-index-url https://pypi.nvidia.com
使用TensorRT-LLM
TensorRT-LLM具有高性能推理优化性能,本文以使用TensorRT-LLM快速运行Qwen-7B-Chat模型为例。
执行以下命令,检查TensorRT-LLM安装状态和版本信息。
python3 -c "import tensorrt_llm"
如果TensorRT-LLM安装成功,则会返回TensorRT-LLM的版本信息。
执行以下命令,下载TensorRT-LLM源代码。
本示例以TensorRT-LLM 0.8.0版本为例,您可以根据自己实际情况进行相应修改。
wget https://github.com/NVIDIA/TensorRT-LLM/archive/refs/tags/v0.8.0.tar.gz tar xvf v0.8.0.tar.gz
执行以下命令,下载Qwen-7B-Chat开源模型。
以modelscope上的Qwen-7B-Chat模型为例。
git-lfs clone https://modelscope.cn/qwen/Qwen-7B-Chat.git
构建模型engine。
执行以下命令,进入解压好的TensorRT-LLM源码目录。
cd TensorRT-LLM-0.8.0/examples/qwen
执行以下命令,安装模型所需的依赖软件。
pip install -r requirements.txt
执行以下命令,配置模型参数并构建模型engine。
python3 build.py --hf_model_dir /root/deepgpu/models/Qwen-7B-Chat --output_dir /root/deepgpu/models/trtllm/qwen_7b_fp16 --dtype float16 --remove_input_padding --use_gpt_attention_plugin float16 --use_gemm_plugin float16 --enable_context_fmha --max_input_len 600 --max_output_len 512 --max_batch_size 128
如果构建模型engine失败,根据失败原因调整参数重新构建,也可以指定int8和int4量化等功能,更多信息,请参见模型目录下的
README.md
。
执行以下命令,运行TensorRT-LLM进行模型推理。
python3 ../run.py --tokenizer_dir /root/deepgpu/models/Qwen-7B-Chat --engine_dir /root/deepgpu/models/trtllm/qwen_7b_fp16 --input_text "请用C语言写一个快速排序算法?" --max_output_len=512
- 本页导读 (1)