动手实操：通过推理服务器部署

优化模型需要使用专用推理服务器进行部署，这尤其适用于量化大语言模型。服务这些量化大语言模型可以高效地通过vLLM（一个高吞吐量服务引擎）实现。为了成功部署，需要准备好一个量化模型（例如，AWQ或GPTQ格式，已妥善保存，可能使用了第2章的方法），并且用户应熟悉Python和基本的命令行操作。

服务量化模型需要专门的推理引擎，这些引擎能理解低比特格式，并拥有用于INT4/FP4矩阵乘法等计算的优化核心。vLLM专为快速推理设计，支持流行的量化方法，使其成为本次实操的合适选择。

前置条件与设置

Python环境： 确保您已配置好Python环境（例如3.8+）。
量化模型： 您需要一个量化大语言模型。本示例中，我们假设您有一个AWQ量化模型，已保存到本地目录，例如 ./my-quantized-model-awq。该模型应与Hugging Face的AutoModelForCausalLM加载约定兼容，并已针对量化格式进行适配。
安装vLLM： 安装支持CUDA的vLLM。确保您的NVIDIA驱动和CUDA工具包版本与您安装的vLLM版本兼容。有关具体要求，请参阅vLLM官方安装指南。典型安装如下所示：
```
pip install vllm
```
注意： 根据您的硬件和CUDA版本，您可能需要特定的构建或额外的依赖项。请查阅vLLM文档。

选项1：使用vLLM Python API

使用vLLM测试量化模型推理的最简单方法是通过其Python API。这对于集成到现有Python应用程序或进行快速测试很有用。

from vllm import LLM, SamplingParams

# 定义量化模型目录的路径
# 替换为您的AWQ或GPTQ模型的实际路径
model_path = "./my-quantized-model-awq"
# 指定您的模型使用的量化方法
quantization_method = "awq" # 如果您有GPTQ模型，请使用“gptq”

# 初始化大语言模型引擎
# vLLM自动检测模型类型并加载量化权重
# 'dtype="auto"' 通常效果良好。
# 'tensor_parallel_size' 可以增加以用于多GPU推理。
llm = LLM(model=model_path,
          quantization=quantization_method,
          dtype="auto",
          tensor_parallel_size=1) # 如果使用多个GPU，请进行调整

# 定义生成过程的采样参数
# 这些参数控制模型如何生成文本
sampling_params = SamplingParams(temperature=0.7,
                               top_p=0.95,
                               max_tokens=100) # 限制输出长度

# 定义您的提示
prompts = [
    "解释大型语言模型中量化的原理：",
    "写一个关于机器人学习绘画的短篇故事：",
]

# 生成文本
outputs = llm.generate(prompts, sampling_params)

# 打印输出
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"提示: {prompt!r}")
    print(f"生成文本: {generated_text!r}\n")

此脚本加载指定的量化模型，定义采样参数，并为提供的提示生成补全内容。vLLM在后台处理量化权重的加载并使用其优化的计算核心。您会观察到与运行未量化模型相比，内存使用量大幅降低，并且推理速度可能更快，这取决于硬件和模型大小。

选项2：部署为OpenAI兼容服务器

为实现更有效的部署，vLLM提供了一个内置服务器，该服务器暴露了一个与OpenAI聊天和补全端点兼容的API。这允许您使用标准HTTP请求与您部署的量化模型进行交互，从而使与各种应用程序的集成变得简单。

启动服务器： 打开您的终端并运行以下命令，将占位符替换为您的具体信息：
```
python -m vllm.entrypoints.openai.api_server \
    --model ./my-quantized-model-awq \
    --quantization awq \
    --port 8000 \
    --host 0.0.0.0
    # 如果使用N个GPU，添加 --tensor-parallel-size N
    # 添加 --dtype auto （通常为默认）
```
- --model：您的量化模型目录路径。
- --quantization：指定量化方法（'awq'、'gptq'等）。这对于vLLM正确加载模型很重要。
- --port：服务器将监听的网络端口。
- --host：要绑定的网络接口（0.0.0.0使其可在您的网络上访问）。
服务器将加载模型，并在准备好接受请求时发出提示。

使用vLLM OpenAI兼容服务器时的交互流程。客户端发送标准HTTP请求，服务器使用vLLM引擎和量化模型权重生成响应。

与服务器交互： 您现在可以使用 curl 或任何HTTP客户端库等工具向服务器发送请求。以下是使用 curl 访问补全端点的示例：

curl http://localhost:8000/v1/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "./my-quantized-model-awq",
    "prompt": "解释大型语言模型中量化的原理：",
    "max_tokens": 150,
    "temperature": 0.7
  }'

您将收到一个包含生成文本的JSON响应，其格式类似于OpenAI API。

您也可以使用Python的requests库或openai客户端库（通过配置base_url）：

import openai

# 配置客户端以指向您的本地vLLM服务器
client = openai.OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="dummy" # 必需，但vLLM不使用
)

response = client.completions.create(
  model="./my-quantized-model-awq", # 使用所服务模型的路径/名称
  prompt="解释大型语言模型中量化的原理：",
  max_tokens=150,
  temperature=0.7
)

print(response.choices[0].text)

性能考量

部署时，请监控服务器的性能。

延迟： 单个请求需要多长时间？
吞吐量： 服务器每秒能处理多少请求（或令牌）？
资源使用： 监控GPU内存消耗和利用率。

vLLM提供通常包含性能指标的日志记录。您也可以对已部署的端点使用基准测试工具（如第3章所述）。vLLM中像tensor_parallel_size（用于多GPU）和批处理功能等参数会大幅影响这些指标。请根据您的硬件和预期负载尝试不同的设置。

故障排除

模型加载错误： 仔细检查指定的--model路径和--quantization方法。确保模型文件完整且已为所选量化方法正确格式化。
内存不足（OOM）错误： 量化模型减少内存使用，但大型模型或高流量仍可能超出GPU内存。尝试减少批次大小（如果可通过服务器参数配置，尽管vLLM在内部处理批处理）或通过张量并行（--tensor-parallel_size）使用更多GPU。
兼容性： 确保您的vLLM版本支持您正在使用的特定量化格式和模型架构。查阅vLLM文档以了解支持的配置。

本次实践练习演示了使用vLLM部署量化大语言模型，包括通过其Python API和作为独立服务器。借助专门的推理服务器，您可以有效地服务这些内存高效且可能更快的模型，使先进的大语言模型更易用于生产应用。请记住，选择合适的服务器、正确配置它并理解性能权衡是部署过程中的重要步骤。

这部分内容有帮助吗？