FastLLM高性能大模型推理库

@小森

发布于 2024-11-21 12:57:28

12010

代码可运行

文章被收录于专栏：xiaosenxiaosen

运行总次数：0

代码可运行

FastLLM 是一个高效、易用的轻量级语言模型库。

🚀 纯c++实现，便于跨平台移植，可以在安卓上直接编译
🚀 支持读取Hugging face原始模型并直接量化
🚀 支持部署Openai api server
🚀 支持多卡部署，支持GPU + CPU混合部署
🚀 支持动态Batch，流式输出

安装

git clone https://github.com/ztxz16/fastllm.git
bash install.sh -DUSE_CUDA=ON -D CMAKE_CUDA_COMPILER=$(which nvcc)

以Qwen1.5-0.5B为例

# 通过huggingface接口创建模型，参考每个模型readme.md中的加载方式
from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained('/home/qwen0_5B/Qwen1___5-0___5B-Chat', trust_remote_code = True)
model = AutoModelForCausalLM.from_pretrained('/home/qwen0_5B/Qwen1___5-0___5B-Chat', trust_remote_code = True)

# 将huggingface模型转换成fastllm模型
# from_hf接口只能接受原始模型，或者ChatGLM的int4, int8量化模型，不能转换其它量化模型
from ftllm import llm
model = llm.from_hf(model, tokenizer, dtype = "float16") 
model.save("qwen0_5B.flm")

🚀现在可以使用fastllm_pytools包来启动一个大模型对话服务了：

python3 -m fastllm_pytools.chat --path /home/qwen0_5B.flm

也可以根据webui.py指定的参数来启动webui服务：

python3 -m fastllm_pytools.webui --path /home/qwen0_5B.flm --port 8000

以及部署API Server：

python3 -m fastllm_pytools.server --model_name qwen --port 8000 -p /home/qwen0_5B.flm

import requests

url = "http://localhost:8000/v1/chat/completions"
# API文档/v1/chat/completions
headers = {
    "Content-Type": "application/json"
}
data = {
    "model": "qwen",
    "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "你好呀"}
    ]
}

response = requests.post(url, headers=headers, json=data)
print(response.json())

响应：

{'id': 'fastllm-qwen-89c424649a404daca6a5e9aaa70e21b0', 'object': 'chat.completion', 'created': 1732087721, 'model': 'qwen', 'choices': [{'index': 0, 'message': {'role': 'assistant', 'content': '你好！有什么我可以帮助你的吗？'}, 'finish_reason': 'stop'}], 'usage': {'prompt_tokens': 19, 'total_tokens': 27, 'completion_tokens': 8}}

我们也可以使用官方给出的python api接口： pyfastllm