大模型部署调用(vLLM+LangChain)

发布日期：2024-12-16 07:35:57 浏览次数： 4762

作者：一起AI技术

微信搜一搜，关注“一起AI技术”

前言

在上一章【大模型三阶段训练方法(LLaMa Factory)】内容中主要了解一个大模型的训练过程，无论是第三方的大模型还是自研的大模型，都需要部署到服务端，提供对应API接口供上层应用使用。所以，本章将主要了解vLLm + langchain的基本使用方法。

大模型应用框架

一般来说，大模型应用的整体结构可以划分为几个层次：

• 模型层：

• 功能：负责处理输入数据并生成输出。
• 代表：BERT、GPT、Qwen2等等

• 推理层：

• 功能：将大模型部署到服务端，暴露API。（行业普遍规范是OpenAI compatible API）
• 代表：vLLM

• API层：

• 功能：将语言模型与其他数据源、API 和服务集成，方便上层应用开发。
• 代表：LangChain

• 应用层：

• 功能：医疗、教育、金融、法律等垂类应用的具体支撑系统

基于以上的层次信息，我们接下来初步了解行业目前普遍使用的：vLLM + LangChain。

vLLM

简介： vLLM 是一个专为大语言模型（LLMs）设计的高效推理库，旨在优化推理速度和内存使用。它通过动态计算图和先进的内存管理技术，帮助开发者在资源有限的情况下高效地运行大型模型。vLLM 支持多种流行的语言模型，使得用户能够快速切换和比较不同的模型，适用于实时应用场景。

网址：https://docs.vllm.ai/en/latest/index.html

作用：

• 把大模型部署到服务端，暴露OpenAI compatible API
• 提升性能: 使得大模型在推理时更加快速和高效。
• 降低成本: 减少计算资源需求，降低云计算和硬件成本。

LangChain

简介： LangChain 是一个开源框架，旨在帮助开发者构建基于语言模型的应用。它通过提供一系列工具和组件，简化了语言模型与其他数据源、API 和服务的集成过程。LangChain 允许用户构建复杂的工作流，增强了语言模型的功能和灵活性，适用于多种应用场景。

网址：https://www.langchain.com/langchain

作用：

• 简化开发: 提供高层次的抽象，降低技术门槛。
• 增强功能: 扩展语言模型的能力，处理更复杂的任务。

部署方法

准备模型

由于上一章中训练的医疗大模型随着容器的关闭已经被清理，所以本次实践选择了Qwen2-0.5B-Instruct。

git clone https://www.modelscope.cn/qwen/Qwen2-0.5B-Instruct.git

安装vLLM

pip install vllm

安装完毕后，可以通过如下命令查看安装情况

pip show vllm

运行结果：

Name: vllm
Version:0.5.1
Summary: A high-throughput and memory-efficient inference and serving engine forLLMs
Home-page: https://github.com/vllm-project/vllm
Author: vLLM Team
Author-email:
License:Apache2.0
Location:/usr/local/lib/python3.10/site-packages
Requires: aiohttp, cmake, fastapi, filelock, lm-format-enforcer, ninja, numpy, nvidia-ml-py, openai, outlines, pillow, prometheus-client, prometheus-fastapi-instrumentator, psutil, py-cpuinfo, pydantic, ray, requests, sentencepiece, tiktoken, tokenizers, torch, torchvision, tqdm, transformers, typing-extensions, uvicorn, vllm-flash-attn, xformers
Required-by:

部署vLLM

python -m vllm.entrypoints.openai.api_server --model Qwen2-0.5B-Instruct --host 0.0.0.0 --port 8000

❗Qwen2-0.5B-Instruct 对应模型的文件夹名字，由于Linux下文件路径大小写敏感，所以此处需要保持大小写一致。

成功部署后显示：

INFO:     Started server process [1657]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)

我们使用OpenAI compatible API接口测试部署情况：

from openai importOpenAI
# Set OpenAI's API key and API base to use vLLM's API server.
openai_api_key ="EMPTY"
openai_api_base ="http://localhost:8000/v1"

client =OpenAI(
    api_key=openai_api_key,
    base_url=openai_api_base,
)

chat_response = client.chat.completions.create(
    model="Qwen2-0.5B-Instruct",
    messages=[
{"role":"system","content":"你是一个很有用的助手。"},
{"role":"user","content":"中华人民共和国的首都是哪里？"},
]
)
print("Chat response:", chat_response)

运行结果：

上述的Python代码仅是测试vLLm的部署情况，实际应用中，需要使用LangChain进行进一步封装。

使用nvidia-smi查看显存，可以看到显存已经被占用19G。

root@dsw-624205-75f5bf5ffb-cm59j:/mnt/workspace# nvidia-smi
ThuAug1517:29:212024
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 470.103.01DriverVersion:470.103.01   CUDA Version:12.1|
|-------------------------------+----------------------+----------------------+
| GPU  NamePersistence-M|Bus-IdDisp.A |VolatileUncorr. ECC |
|FanTempPerfPwr:Usage/Cap|Memory-Usage| GPU-UtilCompute M.|
|||               MIG M.|
|===============================+======================+======================|
|0  NVIDIA A10          On|00000000:00:07.0Off|0|
|0%53C    P0    61W/150W|19874MiB/22731MiB|0%Default|
|||                  N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
|Processes:|
|  GPU   GI   CI        PID   TypeProcess name                  GPU Memory|
|        ID   ID                                                   Usage|
|=============================================================================|
+-----------------------------------------------------------------------------+

安装LangChain

pip install langchain-openai

使用LangChain

# 引入 OpenAI 支持库
from langchain_openai importChatOpenAI

# 连接信息
base_url ="http://localhost:8000/v1"
api_key ="EMPTY"
model_id ="Qwen2-0.5B-Instruct"

# 连接大模型
llm =ChatOpenAI(
        base_url=base_url,
        api_key=api_key,
        model=model_id
)

# 大模型调用
llm.invoke(input="你是谁？")

运行结果：

AIMessage(content='我是来自阿里云的大规模语言模型，我叫通义千问。',
additional_kwargs={
'refusal':None}, response_metadata={'token_usage':
{'completion_tokens':17,'prompt_tokens':22,'total_tokens':39},
'model_name':'Qwen2-0.5B-Instruct',
'system_fingerprint':None,
'finish_reason':'stop',
'logprobs':None},
id='run-ca1584a6-0ff5-4d49-bfb2-ad932231e762-0',
usage_metadata={'input_tokens':22,'output_tokens':17,'total_tokens':39})

返回信息

如果使用result = llm.invoke(input= "你是谁？")，然后查看result信息，可以查看更多信息。

• result.content'我是来自阿里云的大规模语言模型，我叫通义千问。'
• result.response_metadata{'token_usage':{'completion_tokens':17, 'prompt_tokens':22, 'total_tokens':39}, 'model_name':'Qwen2-0.5B-Instruct', 'system_fingerprint':None, 'finish_reason':'stop', 'logprobs':None}说明：
• completion_tokens: 生成的文本中使用的令牌数。在这个例子中，生成的文本包含 17 个令牌（token）。
• prompt_tokens: 输入提示中使用的令牌数。在这个例子中，输入的提示包含 22 个令牌。
• total_tokens: 总令牌数，即 completion_tokens 和 prompt_tokens 的总和。在这个例子中，总令牌数为 39。
• finish_reason: 表示生成文本的结束原因。在这个例子中，finish_reason 的值为 stop，意味着文本生成在达到预定条件后正常结束。
• logprobs: 该字段通常用于提供生成过程中每个令牌的对数概率。在这个例子中，它的值为 None，表示没有提供这些信息。

补充内容

模型类型

模型常规情况下有两种类型：Base类型和 Chat类型。

• Qwen2-0.5B: 代表Qwen2-0.5B的Base类型模型。
• Qwen2-0.5B-Instruct: 代表Qwen2-0.5B的Chat类型模型。

调用方式

由于模型的类型不同，那么在LangChain中调用方式也不同。

from langchain_openai import OpenAI

base_url = "http://localhost:8000/v1"
api_key = "EMPTY"
model_id = "Qwen2-0.5B-Instruct"

# Base方式调用了一个Chat类型模型
model = OpenAI(base_url=base_url, api_key=api_key, model=model_id)

print(model.invoke(input="你是谁"))

运行结果：

可以看到：

• 同样的模型，同样的问题，调用方式的不同，调用的结果却千差万别。
• 第一种使用from langchain_openai import ChatOpenAI，即Chat方式调用一个Instruct类型模型，结果是正常的。
• 第二种使用from langchain_openai import OpenAI，即Base方式调用一个Instruct类型模型，结果是有问题的。
• Chat方式返回的信息是一个AIMessage，而Base方式返回的是一个字符串。