背景信息

LMDeploy

LMDeploy是一種用于壓縮、部署和服務大語言模型（LLM）的工具包。主要表現在以下幾個方面：

• 模型壓縮與優化：LMDeploy可以對大語言模型進行權重量化和KV量化，減少模型大小和內存占用，同時通過各種優化手段（如張量并行、KV緩存等）提高模型推理的效率和吞吐量。

• 部署便捷性：LMDeploy支持將優化后的模型部署到多種環境，包括單機、多機、多GPU環境等，支持分布式部署，確保服務的可擴展性和高可用性。

• 服務管理：LMDeploy可以通過緩存技術減少重復計算，提高響應速度。

更多關于LMDeploy框架的信息，請參見LMDeploy GitHub代碼庫。

前提條件

• 已創建包含GPU節點的ACK集群Pro版，且集群版本為1.22及以上，GPU節點顯存需為16GB及以上。具體操作，請參見創建ACK托管集群。

  建議GPU節點使用525版本驅動，您可以通過為GPU節點池添加標簽ack.aliyun.com/nvidia-driver-version:525.105.17指定驅動版本為525.105.17。具體操作，請參見通過指定版本號自定義節點GPU驅動版本。

• 已安裝最新版Arena客戶端。具體操作，請參見配置Arena客戶端。

步驟一：準備模型數據

本文以Qwen1.5-4B-Chat模型為例，演示如何下載模型、上傳模型至OSS，以及在ACK集群中創建對應的存儲卷PV和存儲卷聲明PVC。

如需上傳模型至NAS，請參見使用NAS靜態存儲卷。

1. 下載模型文件。

   1. 執行以下命令，安裝Git。

      # 可執行yum install git或apt install git安裝。
      yum install git

   2. 執行以下命令，安裝Git LFS（Large File Support）插件。

      # 可執行yum install git-lfs或apt install git-lfs安裝。
      yum install git-lfs

   3. 執行以下命令，將ModelScope上的Qwen1.5-4B-Chat倉庫克隆到本地。

      GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/qwen/Qwen1.5-4B-Chat.git

   4. 執行以下命令，進入Qwen1.5-4B-Chat目錄，下載LFS管理的大文件。

      cd Qwen1.5-4B-Chat
      git lfs pull

2. 將下載的Qwen1.5-4B-Chat文件上傳至OSS。

   1. 登錄OSS控制臺，查看并記錄已創建的Bucket名稱。

      如何創建Bucket，請參見創建存儲空間。

   2. 安裝和配置ossutil，用于管理OSS資源。具體操作，請參見安裝ossutil。

   3. 執行以下命令，在OSS創建名為Qwen1.5-4B-Chat的目錄。

      ossutil mkdir oss://<Your-Bucket-Name>/Qwen1.5-4B-Chat

   4. 執行以下命令，上傳模型文件至OSS。

      ossutil cp -r ./Qwen1.5-4B-Chat oss://<Your-Bucket-Name>/Qwen1.5-4B-Chat

3. 為目標集群配置存儲卷PV和存儲聲明PVC。具體操作，請參見使用OSS靜態存儲卷。

   • 以下為示例PV的配置信息：

     配置項	說明
     存儲卷類型	OSS
     名稱	llm-model
     訪問證書	配置用于訪問OSS的AccessKey ID和AccessKey Secret。
     Bucket ID	選擇已創建的OSS Bucket。
     OSS Path	選擇模型所在的路徑，如/models/Qwen1.5-4B-Chat。

   • 以下為示例PVC的配置信息：

     配置項	說明
     存儲聲明類型	OSS
     名稱	llm-model
     分配模式	選擇已有存儲卷。
     已有存儲卷	單擊選擇已有存儲卷鏈接，選擇已創建的存儲卷PV。

步驟二：部署推理服務

1. 執行以下命令，部署一個基于LMDeploy工具的自定義推理服務，服務名為Qwen1.5-4B-Chat。

   arena serve custom \
       --name=lmdeploy-qwen \
       --version=v1 \
       --gpus=1 \
       --replicas=1 \
       --restful-port=8000 \
       --readiness-probe-action="tcpSocket" \
       --readiness-probe-action-option="port: 8000" \
       --readiness-probe-option="initialDelaySeconds: 30" \
       --readiness-probe-option="periodSeconds: 30" \
       --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/lmdeploy:v0.4.2 \
       --data=llm-model:/model/Qwen1.5-4B-Chat \
       "lmdeploy serve api_server /model/Qwen1.5-4B-Chat --server-port 8000"

   參數說明如下所示：

   參數	說明
   --name	指定推理服務名稱。
   --version	指定推理服務版本。
   --gpus	指定單個推理服務副本需要使用的GPU卡數。
   --replicas	指定推理服務副本數。
   --restful-port	指定推理服務對外暴露的端口。
   --readiness-probe-action	指定就緒探針連接類型，支持HttpGet、Exec、gRPC、TCPSocket。
   --readiness-probe-action-option	指定就緒探針連接方式。
   --readiness-probe-option	指定就緒探針配置。
   --data	掛載共享存儲卷PVC到運行環境中。它由兩部分組成，通過英文冒號（:）分割。冒號左側是您已經準備好的PVC名稱。您可以通過命令arena data list查看當前集群可用的PVC列表；冒號右側是您想將PVC的掛載到運行環境中的路徑，也是您訓練代碼要讀取數據或模型的本地路徑。這樣通過掛載的方式，您的代碼就可以訪問PVC中的數據或模型。
   --image	指定推理服務的鏡像地址。

   預期輸出：

   service/lmdeploy-qwen-v1 created
   deployment.apps/lmdeploy-qwen-v1-custom-serving created
   INFO[0002] The Job lmdeploy-qwen has been submitted successfully
   INFO[0002] You can run `arena serve get lmdeploy-qwen --type custom-serving -n default` to check the job status

   輸出結果表明推理服務已成功部署。

2. 執行下列命令，查看推理服務的詳細信息，并等待服務就緒。

   arena serve get lmdeploy-qwen

   預期輸出：

   Name:       lmdeploy-qwen
   Namespace:  default
   Type:       Custom
   Version:    v1
   Desired:    1
   Available:  1
   Age:        1m
   Address:    192.168.XX.XX
   Port:       RESTFUL:8000
   GPU:        1
   
   Instances:
     NAME                                              STATUS   AGE  READY  RESTARTS  GPU  NODE
     ----                                              ------   ---  -----  --------  ---  ----
     lmdeploy-qwen-v1-custom-serving-8476b9dd8c-8b4d2  Running  1m   1/1    0         1    cn-beijing.172.16.XX.XX

   輸出結果表明該推理服務的一個Pod（lmdeploy-qwen-v1-custom-serving-8476b9dd8c-8b4d2）正在穩定運行，且已準備好提供服務。

步驟三：驗證推理服務

1. 執行以下命令，在推理服務與本地環境之間建立端口轉發。

   重要

   請注意kubectl port-forward建立的端口轉發不具備生產級別的可靠性、安全性和擴展性，因此僅適用于開發和調試目的，不適合在生產環境使用。更多關于Kubernetes集群內生產可用的網絡方案的信息，請參見Ingress概述。

   kubectl port-forward svc/lmdeploy-qwen-v1 8000:8000

   預期輸出：

   Forwarding from 127.0.0.1:8000 -> 8000
   Forwarding from [::1]:8000 -> 8000

2. 執行以下命令，向模型推理服務發送一條模型推理請求。

   curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json"  -d '{"model": "qwen", "messages": [{"role": "user", "content": "測試一下"}], "max_tokens": 10, "temperature": 0.7, "top_p": 0.9, "seed": 10}'

   預期輸出：

   {"id":"1","object":"chat.completion","created":1719833349,"model":"qwen","choices":[{"index":0,"message":{"role":"assistant","content":"好的，請問您有什么測試需求或者問題嗎？"},"logprobs":null,"finish_reason":"length"}],"usage":{"prompt_tokens":21,"total_tokens":32,"completion_tokens":11}}

   輸出結果表明模型可以根據給定的輸入（在這個例子中是一條測試消息）生成相應的回復。

（可選）步驟四：清理環境

如果不再使用已創建的資源，請及時清理。

• 執行以下命令，刪除已部署的模型推理服務。

  arena serve del lmdeploy-qwen

• 執行以下命令，刪除已創建的PV和PVC。

  kubectl delete pvc llm-model
  kubectl delete pv llm-model