Platform For AI：LLM大語言模型部署

背景資訊

隨著ChatGPT和通義千問等大模型在業界的廣泛應用，基於LLM大語言模型的推理應用成為當前熱門的應用之一。EAS能夠輕鬆部署套件括Llama3、Qwen、Llama2、ChatGLM、Baichuan、Yi-6B、Mistral-7B及Falcon-7B在內的多種開源大模型服務應用。此外，部署在EAS上的LLM大語言模型服務不僅支援WebUI和API調用方式，還支援通過LangChain整合企業自有業務資料，從而產生基於本地知識庫的定製答案。

• LangChain功能介紹：

  LangChain是一個開源的架構，可以讓AI開發人員將像GPT-4這樣的大語言模型（LLM）和外部資料結合起來，從而在儘可能少消耗計算資源的情況下，獲得更好的效能和效果。

• LangChain工作原理：

  將一個大的資料來源，比如一個20頁的PDF檔案，分成各個區塊，並通過嵌入模型（比如BGE、text2vec等）將它們轉換為數值向量，然後把這些向量儲存到一個專門的向量資料庫裡。

  LangChain首先將使用者上傳的知識庫進行自然語言處理，並作為大模型的知識庫儲存在本地。每次推理時，會首先在本地知識庫中尋找與輸入問題相近的文字區塊（chunk），並將知識庫答案與使用者輸入的問題一起輸入大模型，產生基於本地知識庫的定製答案。

前提條件

如果您有部署自訂模型的需求，您需要完成以下準備工作：

• 準備自訂模型檔案及相關設定檔，需要準備的模型檔案範例如下：

  其中設定檔中必須包含config.json檔案，您需要按照Huggingface或的模型格式配置Config檔案。樣本檔案詳情，請參見config.json。

• 建立Object Storage Service儲存空間（Bucket）或NAS檔案系統，用來存放自訂模型檔案，您也可以將模型檔案註冊為PAI的AI資產，方便管理和維護。以OSS為例，具體操作，請參見控制台快速入門。

• 將自訂模型檔案及相關設定檔上傳到OSS儲存空間（Bucket）中。具體操作，請參見控制台快速入門。

使用限制

• 目前，推理加速引擎僅支援Qwen2-7b、Qwen1.5-1.8b、Qwen1.5-7b、Qwen1.5-14b、llama3-8b、llama2-7b、llama2-13b、chatglm3-6b、baichuan2-7b、baichuan2-13b、falcon-7b、yi-6b、mistral-7b-instruct-v0.2、gemma-2b-it、gemma-7b-it、deepseek-coder-7b-instruct-v1.5模型。

• 僅無推理加速的EAS服務支援使用Langchain功能。

部署EAS服務

支援以下兩種部署方式：

調用EAS服務

通過WebUI調用EAS服務

1. 單擊目標服務服務方式列下的查看Web應用。

2. 在WebUI頁面，進行模型推理驗證。

   在ChatLLM-WebUI頁面的文字框中輸入對話內容，例如請提供一個理財學習計劃，單擊Send，即可開始對話。

3. 使用LangChain整合您自己的業務資料，產生基於本地知識庫的定製答案。

   1. 在WebUI頁面上方的Tab頁選擇LangChain。

   2. 在WebUI頁面左下角，按照介面操作指引拉取自訂資料，支援配置.txt、.md、.docx、.pdf格式的檔案。

      例如上傳README.md檔案，單擊左下角的Vectorstore knowledge，返回如下結果表明自訂資料載入成功。

   3. 在WebUI頁面底部輸入框中，輸入業務資料相關的問題進行對話即可。

      例如在輸入框中輸入如何安裝deepspeed，單擊Send，即可開始對話。

通過API調用EAS服務

1. 擷取服務訪問地址和Token。

   1. 進入模型線上服務（EAS）頁面，詳情請參見部署EAS服務。

   2. 在該頁面中，單擊目標服務名稱進入服務詳情頁面。

   3. 在基本資料地區單擊查看調用資訊，在公網地址調用頁簽擷取服務Token和訪問地址。

2. 啟動API進行模型推理。

   使用HTTP方式調用服務

   • 非流式調用

     用戶端使用標準的HTTP格式，使用curl命令調用時，支援發送以下兩種類型的請求：

     • 發送String類型的請求

       curl $host -H 'Authorization: $authorization' --data-binary @chatllm_data.txt -v

       其中：$authorization需替換為服務Token，$host：需替換為服務訪問地址，chatllm_data.txt：該檔案為包含問題的純文字檔案。

     • 發送結構化類型的請求

       curl $host -H 'Authorization: $authorization' -H "Content-type: application/json" --data-binary @chatllm_data.json -v -H "Connection: close"

       使用chatllm_data.json檔案來設定推理參數，chatllm_data.json檔案的內容格式如下：

       {
         "max_new_tokens": 4096,
         "use_stream_chat": false,
         "prompt": "How to install it?",
         "system_prompt": "Act like you are programmer with 5+ years of experience.",
         "history": [
           [
             "Can you tell me what's the bladellm?",
             "BladeLLM is an framework for LLM serving, integrated with acceleration techniques like quantization, ai compilation, etc. , and supporting popular LLMs like OPT, Bloom, LLaMA, etc."
           ]
         ],
         "temperature": 0.8,
         "top_k": 10,
         "top_p": 0.8,
         "do_sample": true,
         "use_cache": true
       }

       參數說明如下，請酌情添加或刪除。

       參數	描述	預設值
       max_new_tokens	產生輸出token的最大長度，單位為個。	2048
       use_stream_chat	是否使用流式輸出形式。	true
       prompt	使用者的Prompt。	""
       system_prompt	系統Prompt。	""
       history	對話的記錄，類型為List[Tuple(str, str)]。	[()]
       temperature	用於調節模型輸出結果的隨機性，值越大隨機性越強，0值為固定輸出。Float類型，區間為0~1。	0.95
       top_k	從產生結果中選擇候選輸出的數量。	30
       top_p	從產生結果中按百分比選擇輸出結果。Float類型，區間為0~1。	0.8
       do_sample	開啟輸出採樣。	true
       use_cache	開啟KV Cache。	true

     您也可以基於Python的requests包實現自己的用戶端，範例程式碼如下：

     import argparse
     import json
     from typing import Iterable, List
     
     import requests
     
     def post_http_request(prompt: str,
                           system_prompt: str,
                           history: list,
                           host: str,
                           authorization: str,
                           max_new_tokens: int = 2048,
                           temperature: float = 0.95,
                           top_k: int = 1,
                           top_p: float = 0.8,
                           langchain: bool = False,
                           use_stream_chat: bool = False) -> requests.Response:
         headers = {
             "User-Agent": "Test Client",
             "Authorization": f"{authorization}"
         }
         if not history:
             history = [
                 (
                     "San Francisco is a",
                     "city located in the state of California in the United States. \
                     It is known for its iconic landmarks, such as the Golden Gate Bridge \
                     and Alcatraz Island, as well as its vibrant culture, diverse population, \
                     and tech industry. The city is also home to many famous companies and \
                     startups, including Google, Apple, and Twitter."
                 )
             ]
         pload = {
             "prompt": prompt,
             "system_prompt": system_prompt,
             "top_k": top_k,
             "top_p": top_p,
             "temperature": temperature,
             "max_new_tokens": max_new_tokens,
             "use_stream_chat": use_stream_chat,
             "history": history
         }
         if langchain:
             pload["langchain"] = langchain
         response = requests.post(host, headers=headers,
                                  json=pload, stream=use_stream_chat)
         return response
     
     def get_response(response: requests.Response) -> List[str]:
         data = json.loads(response.content)
         output = data["response"]
         history = data["history"]
         return output, history
     
     if __name__ == "__main__":
         parser = argparse.ArgumentParser()
         parser.add_argument("--top-k", type=int, default=4)
         parser.add_argument("--top-p", type=float, default=0.8)
         parser.add_argument("--max-new-tokens", type=int, default=2048)
         parser.add_argument("--temperature", type=float, default=0.95)
         parser.add_argument("--prompt", type=str, default="How can I get there?")
         parser.add_argument("--langchain", action="store_true")
     
         args = parser.parse_args()
     
         prompt = args.prompt
         top_k = args.top_k
         top_p = args.top_p
         use_stream_chat = False
         temperature = args.temperature
         langchain = args.langchain
         max_new_tokens = args.max_new_tokens
     
         host = "EAS服務公網地址"
         authorization = "EAS服務公網Token"
     
         print(f"Prompt: {prompt!r}\n", flush=True)
         # 在用戶端請求中可設定語言模型的system prompt。
         system_prompt = "Act like you are programmer with \
                     5+ years of experience."
     
         # 用戶端請求中可設定對話的歷史資訊，用戶端維護目前使用者的對話記錄，用於實現多輪對話。通常情況下可以使用上一輪對話返回的histroy資訊，history格式為List[Tuple(str, str)]。
         history = []
         response = post_http_request(
             prompt, system_prompt, history,
             host, authorization,
             max_new_tokens, temperature, top_k, top_p,
             langchain=langchain, use_stream_chat=use_stream_chat)
         output, history = get_response(response)
         print(f" --- output: {output} \n --- history: {history}", flush=True)
     
     # 服務端返回JSON格式的響應結果，包含推理結果與對話歷史。
     def get_response(response: requests.Response) -> List[str]:
         data = json.loads(response.content)
         output = data["response"]
         history = data["history"]
         return output, history

     其中：

     • host：配置為服務訪問地址。

     • authorization：配置為服務Token。

   • 流式調用

     流式調用使用HTTP SSE方式，其他設定方式與非流式相同，代碼參考如下：

     import argparse
     import json
     from typing import Iterable, List
     
     import requests
     
     
     def clear_line(n: int = 1) -> None:
         LINE_UP = '\033[1A'
         LINE_CLEAR = '\x1b[2K'
         for _ in range(n):
             print(LINE_UP, end=LINE_CLEAR, flush=True)
     
     
     def post_http_request(prompt: str,
                           system_prompt: str,
                           history: list,
                           host: str,
                           authorization: str,
                           max_new_tokens: int = 2048,
                           temperature: float = 0.95,
                           top_k: int = 1,
                           top_p: float = 0.8,
                           langchain: bool = False,
                           use_stream_chat: bool = False) -> requests.Response:
         headers = {
             "User-Agent": "Test Client",
             "Authorization": f"{authorization}"
         }
         if not history:
             history = [
                 (
                     "San Francisco is a",
                     "city located in the state of California in the United States. \
                     It is known for its iconic landmarks, such as the Golden Gate Bridge \
                     and Alcatraz Island, as well as its vibrant culture, diverse population, \
                     and tech industry. The city is also home to many famous companies and \
                     startups, including Google, Apple, and Twitter."
                 )
             ]
         pload = {
             "prompt": prompt,
             "system_prompt": system_prompt,
             "top_k": top_k,
             "top_p": top_p,
             "temperature": temperature,
             "max_new_tokens": max_new_tokens,
             "use_stream_chat": use_stream_chat,
             "history": history
         }
         if langchain:
             pload["langchain"] = langchain
         response = requests.post(host, headers=headers,
                                  json=pload, stream=use_stream_chat)
         return response
     
     
     def get_streaming_response(response: requests.Response) -> Iterable[List[str]]:
         for chunk in response.iter_lines(chunk_size=8192,
                                          decode_unicode=False,
                                          delimiter=b"\0"):
             if chunk:
                 data = json.loads(chunk.decode("utf-8"))
                 output = data["response"]
                 history = data["history"]
                 yield output, history
     
     
     if __name__ == "__main__":
         parser = argparse.ArgumentParser()
         parser.add_argument("--top-k", type=int, default=4)
         parser.add_argument("--top-p", type=float, default=0.8)
         parser.add_argument("--max-new-tokens", type=int, default=2048)
         parser.add_argument("--temperature", type=float, default=0.95)
         parser.add_argument("--prompt", type=str, default="How can I get there?")
         parser.add_argument("--langchain", action="store_true")
         args = parser.parse_args()
     
         prompt = args.prompt
         top_k = args.top_k
         top_p = args.top_p
         use_stream_chat = True
         temperature = args.temperature
         langchain = args.langchain
         max_new_tokens = args.max_new_tokens
     
         host = ""
         authorization = ""
     
         print(f"Prompt: {prompt!r}\n", flush=True)
         system_prompt = "Act like you are programmer with \
                     5+ years of experience."
         history = []
         response = post_http_request(
             prompt, system_prompt, history,
             host, authorization,
             max_new_tokens, temperature, top_k, top_p,
             langchain=langchain, use_stream_chat=use_stream_chat)
     
         for h, history in get_streaming_response(response):
             print(
                 f" --- stream line: {h} \n --- history: {history}", flush=True)
     

     其中：

     • host：配置為服務訪問地址。

     • authorization：配置為服務Token。

   使用WebSocket方式調用服務

   為了更好地維護使用者對話資訊，您也可以使用WebSocket方式保持與服務的串連完成單輪或多輪對話，程式碼範例如下：

   import os
   import time
   import json
   import struct
   from multiprocessing import Process
   
   import websocket
   
   round = 5
   questions = 0
   
   
   def on_message_1(ws, message):
       if message == "<EOS>":
           print('pid-{} timestamp-({}) receives end message: {}'.format(os.getpid(),
                 time.time(), message), flush=True)
           ws.send(struct.pack('!H', 1000), websocket.ABNF.OPCODE_CLOSE)
       else:
           print("{}".format(time.time()))
           print('pid-{} timestamp-({}) --- message received: {}'.format(os.getpid(),
                 time.time(), message), flush=True)
   
   
   def on_message_2(ws, message):
       global questions
       print('pid-{} --- message received: {}'.format(os.getpid(), message))
       # end the client-side streaming
       if message == "<EOS>":
           questions = questions + 1
           if questions == 5:
               ws.send(struct.pack('!H', 1000), websocket.ABNF.OPCODE_CLOSE)
   
   
   def on_message_3(ws, message):
       print('pid-{} --- message received: {}'.format(os.getpid(), message))
       # end the client-side streaming
       ws.send(struct.pack('!H', 1000), websocket.ABNF.OPCODE_CLOSE)
   
   
   def on_error(ws, error):
       print('error happened: ', str(error))
   
   
   def on_close(ws, a, b):
       print("### closed ###", a, b)
   
   
   def on_pong(ws, pong):
       print('pong:', pong)
   
   # stream chat validation test
   def on_open_1(ws):
       print('Opening Websocket connection to the server ... ')
       params_dict = {}
       params_dict['prompt'] = """Show me a golang code example: """
       params_dict['temperature'] = 0.9
       params_dict['top_p'] = 0.1
       params_dict['top_k'] = 30
       params_dict['max_new_tokens'] = 2048
       params_dict['do_sample'] = True
       raw_req = json.dumps(params_dict, ensure_ascii=False).encode('utf8')
       # raw_req = f"""To open a Websocket connection to the server: """
   
       ws.send(raw_req)
       # end the client-side streaming
   
   
   # multi-round query validation test
   def on_open_2(ws):
       global round
       print('Opening Websocket connection to the server ... ')
       params_dict = {"max_new_tokens": 6144}
       params_dict['temperature'] = 0.9
       params_dict['top_p'] = 0.1
       params_dict['top_k'] = 30
       params_dict['use_stream_chat'] = True
       params_dict['prompt'] = "您好！"
       params_dict = {
           "system_prompt":
           "Act like you are programmer with 5+ years of experience."
       }
       raw_req = json.dumps(params_dict, ensure_ascii=False).encode('utf8')
       ws.send(raw_req)
       params_dict['prompt'] = "請使用Python，編寫一個排序演算法"
       raw_req = json.dumps(params_dict, ensure_ascii=False).encode('utf8')
       ws.send(raw_req)
       params_dict['prompt'] = "請轉寫成java語言的實現"
       raw_req = json.dumps(params_dict, ensure_ascii=False).encode('utf8')
       ws.send(raw_req)
       params_dict['prompt'] = "請介紹一下你自己？"
       raw_req = json.dumps(params_dict, ensure_ascii=False).encode('utf8')
       ws.send(raw_req)
       params_dict['prompt'] = "請總結上述對話"
       raw_req = json.dumps(params_dict, ensure_ascii=False).encode('utf8')
       ws.send(raw_req)
   
   
   # Langchain validation test.
   def on_open_3(ws):
       global round
       print('Opening Websocket connection to the server ... ')
   
       params_dict = {}
       # params_dict['prompt'] = """To open a Websocket connection to the server: """
       params_dict['prompt'] = """Can you tell me what's the MNN?"""
       params_dict['temperature'] = 0.9
       params_dict['top_p'] = 0.1
       params_dict['top_k'] = 30
       params_dict['max_new_tokens'] = 2048
       params_dict['use_stream_chat'] = False
       params_dict['langchain'] = True
       raw_req = json.dumps(params_dict, ensure_ascii=False).encode('utf8')
       ws.send(raw_req)
   
   
   authorization = ""
   host = "ws://" + ""
   
   
   def single_call(on_open_func, on_message_func, on_clonse_func=on_close):
       ws = websocket.WebSocketApp(
           host,
           on_open=on_open_func,
           on_message=on_message_func,
           on_error=on_error,
           on_pong=on_pong,
           on_close=on_clonse_func,
           header=[
               'Authorization: ' + authorization],
       )
   
       # setup ping interval to keep long connection.
       ws.run_forever(ping_interval=2)
   
   
   if __name__ == "__main__":
       for i in range(5):
           p1 = Process(target=single_call, args=(on_open_1, on_message_1))
           p2 = Process(target=single_call, args=(on_open_2, on_message_2))
           p3 = Process(target=single_call, args=(on_open_3, on_message_3))
   
           p1.start()
           p2.start()
           p3.start()
   
           p1.join()
           p2.join()
           p3.join()

   其中：

   • authorization：配置為服務Token。

   • host：配置為服務訪問地址。並將訪問地址中前端的http替換為ws。

   • use_stream_chat：通過該請求參數來控制用戶端是否為流式輸出。預設值為True，表示服務端返迴流式資料。

   • 參考上述範例程式碼中的on_open_2函數的實現方法實現多輪對話。

常見問題及解決方案

如何切換其他的開源大模型

具體操作步驟如下：

1. 單擊目標服務操作列下的更新。

2. 切換其他的開源大模型。

   • 情境化模型部署

     在部署LLM大語言模型頁面，更新模型類別為其他開源大模型，然後單擊更新。

   • 自訂模型部署

     在更新服務頁面，參考下表內容，根據需要部署的模型來更新運行命令和資源規格，然後單擊更新。

     模型名稱	運行命令	推薦機型
     Qwen2-7b（通義千問2版本-7B參數量）	python webui/webui_server.py --port=8000 --model-path=Qwen/Qwen2-7B-Instruct	單卡GU30 單卡A10 單卡V100（32 G）
     Qwen2-72b（通義千問2版本-72B參數量）	python webui/webui_server.py --port=8000 --model-path=Qwen/Qwen2-72B-Instruct	兩卡A100（80 G） 四卡A100（40 G） 八卡V100（32 G）
     Qwen2-57b-A14b	python webui/webui_server.py --port=8000 --model-path=Qwen/Qwen2-57B-A14B-Instruct	兩卡A100（80 G） 四卡A100（40 G） 四卡V100（32 G）
     Qwen1.5-1.8b（通義千問1.5版本-1.8B參數量）	python webui/webui_server.py --port=8000 --model-path=Qwen/Qwen1.5-1.8B-Chat	單卡T4 單卡V100（16 G） 單卡GU30 單卡A10
     Qwen1.5-7b（通義千問1.5版本-7B參數量）	python webui/webui_server.py --port=8000 --model-path=Qwen/Qwen1.5-7B-Chat	單卡GU30 單卡A10
     Qwen1.5-14b（通義千問1.5版本-14B參數量）	python webui/webui_server.py --port=8000 --model-path=Qwen/Qwen1.5-14B-Chat	單卡V100（32 G） 單卡A100（40 G） 單卡A100（80 G） 2卡GU30 2卡A10
     Qwen1.5-32b（通義千問1.5版本-32B參數量）	python webui/webui_server.py --port=8000 --model-path=Qwen/Qwen1.5-32B-Chat	單卡A100（80 G） 四卡V100（32 G）
     Qwen1.5-72b（通義千問1.5版本-72B參數量）	python webui/webui_server.py --port=8000 --model-path=Qwen/Qwen1.5-72B-Chat	8卡V100（32 G） 2卡A100（80 G） 4卡A100（40 G）
     Qwen1.5-110b（通義千問1.5版本-110B參數量）	python webui/webui_server.py --port=8000 --model-path=Qwen/Qwen1.5-110B-Chat	8卡A100（40 G） 4卡A100（80 G）
     llama3-8b	python webui/webui_server.py --port=8000 --model-path=/huggingface/meta-Llama-3-8B-Instruct/ --model-type=llama3	單卡GU30 單卡A10 單卡V100（32 G）
     llama3-70b	python webui/webui_server.py --port=8000 --model-path=/huggingface/meta-Llama-3-70B-Instruct/ --model-type=llama3	兩卡A100（80 G） 四卡A100（40 G） 八卡V100（32 G）
     Llama2-7b	python webui/webui_server.py --port=8000 --model-path=meta-llama/Llama-2-7b-chat-hf	單卡GU30 單卡A10 單卡V100（32 G）
     Llama2-13b	python webui/webui_server.py --port=8000 --model-path=meta-llama/Llama-2-13b-chat-hf	單卡V100（32 G） 2卡GU30 2卡A10
     llama2-70b	python webui/webui_server.py --port=8000 --model-path=meta-llama/Llama-2-70b-chat-hf	8卡V100（32 G） 2卡A100（80 G） 4卡A100（40 G）
     chatglm3-6b	python webui/webui_server.py --port=8000 --model-path=THUDM/chatglm3-6b	單卡GU30 單卡A10 單卡V100（16 G） 單卡V100（32 G）
     baichuan2-7b	python webui/webui_server.py --port=8000 --model-path=baichuan-inc/Baichuan2-7B-Chat	單卡GU30 單卡A10 單卡V100（32 G）
     baichuan2-13b	python webui/webui_server.py --port=8000 --model-path=baichuan-inc/Baichuan2-13B-Chat	2卡GU30 2卡A10 單卡V100（32 G）
     falcon-7b	python webui/webui_server.py --port=8000 --model-path=tiiuae/falcon-7b-instruct	單卡GU30 單卡A10 單卡V100（32 G）
     falcon-40b	python webui/webui_server.py --port=8000 --model-path=tiiuae/falcon-40b-instruct	8卡V100（32 G） 2卡A100（80 G） 4卡A100（40 G）
     falcon-180b	python webui/webui_server.py --port=8000 --model-path=tiiuae/falcon-180B-chat	8卡A100（80 G）
     Yi-6b	python webui/webui_server.py --port=8000 --model-path=01-ai/Yi-6B-Chat	單卡GU30 單卡A10 單卡V100（16 G） 單卡V100（32 G）
     Yi-34b	python webui/webui_server.py --port=8000 --model-path=01-ai/Yi-34B-Chat	4卡V100（16 G） 單卡A100（80 G） 4卡A10
     mistral-7b-instruct-v0.2	python webui/webui_server.py --port=8000 --model-path=mistralai/Mistral-7B-Instruct-v0.2	單卡GU30 單卡A10 單卡V100（32 G）
     mixtral-8x7b-instruct-v0.1	python webui/webui_server.py --port=8000 --model-path=mistralai/Mixtral-8x7B-Instruct-v0.1	4卡A100(80G)
     gemma-2b-it	python webui/webui_server.py --port=8000 --model-path=google/gemma-2b-it	單卡T4 單卡V100（16 G） 單卡GU30 單卡A10
     gemma-7b-it	python webui/webui_server.py --port=8000 --model-path=google/gemma-7b-it	單卡GU30 單卡A10 單卡V100（32 G）
     deepseek-coder-7b-instruct-v1.5	python webui/webui_server.py --port=8000 --model-path=deepseek-ai/deepseek-coder-7b-instruct-v1.5	單卡GU30 單卡A10 單卡V100（32 G）
     deepseek-coder-33b-instruct	python webui/webui_server.py --port=8000 --model-path=deepseek-ai/deepseek-coder-33b-instruct	單卡A100（80 G） 2卡A100（40 G） 4卡V100（32 G）
     deepseek-v2-lite	python webui/webui_server.py --port=8000 --model-path=deepseek-ai/DeepSeek-V2-Lite-Chat	單卡A10 單卡A100（40 G）

相關文檔

您可以通過EAS一鍵部署整合了大語言模型（LLM）和檢索增強產生（RAG）技術的對話系統服務，該服務支援使用本地知識庫進行資訊檢索。在WebUI介面中整合了LangChain業務資料後，您可以通過WebUI或API介面進行模型推理功能驗證，詳情請參見大模型RAG對話系統。