- 介绍本工作是 NVIDIA TensorRT Hackathon 2023 的参赛题目，本项目使用TRT-LLM完成对Qwen-7B-Chat实现推理加速。相关代码已经放在release/0.1.0分支，感兴趣的同学可以去该分支学习完整流程。
自2024年4月24日起，TensorRT-LLM官方仓库最新main分支已经支持qwen/qwen2，故本仓库不再做重大更新。
- FP16 / BF16(实验性)
- INT8 Weight-Only & INT8 Smooth Quant & INT4 Weight-Only & INT4-AWQ & INT4-GPTQ
- INT8 KV CACHE
- Tensor Parallel（多卡并行）
- 基于gradio搭建web demo
- 支持triton部署api，结合
inflight_batching实现最大吞吐/并发。 - 支持fastapi搭建兼容openai请求的api，并且支持function call调用。
- 支持cli命令行对话。
- 支持langchain接入。
- base模型（实验性）：Qwen1.5-0.5B、Qwen1.5-1.8B、Qwen1.5-4B、Qwen1.5-7B、Qwen1.5-14B、Qwen1.5-32B、Qwen1.5-72B、QWen-VL、CodeQwen1.5-7B
- chat模型（推荐）：Qwen1.5-0.5B-Chat、Qwen1.5-1.8B-Chat、Qwen1.5-4B-Chat、Qwen1.5-7B-Chat、Qwen1.5-14B-Chat、Qwen1.5-32B-Chat、Qwen1.5-72B-Chat（实验性）、QWen-VL-Chat、CodeQwen1.5-7B-Chat
- chat-gptq-int4模型：Qwen1.5-0.5B-Chat-GPTQ-Int4、Qwen1.5-1.8B-Chat-GPTQ-Int4、Qwen1.5-4B-Chat-GPTQ-Int4、Qwen1.5-7B-Chat-GPTQ-Int4、Qwen1.5-14B-Chat-GPTQ-Int4、Qwen1.5-32B-Chat-GPTQ-Int4、Qwen1.5-72B-Chat-GPTQ-Int4（实验性）、Qwen-VL-Chat-Int4
-
本项目配套B站教程：
-
本项目配套博客适配概述：如何在 NVIDIA TensorRT-LLM 中支持 Qwen 模型
- Linux最佳，已安装docker，并且安装了nvidia-docker（安装指南），Windows理论也可以，但是还未测试，感兴趣可以自己研究一下。
- Windows参考这个教程：链接
- 有英伟达显卡（30系，40系，V100/A100等），以及一定的显存、内存、磁盘。结合Qwen官方推理要求，预估出下面的要求，详见表格（仅编译期最大要求），仅供参考：
| Model Size | Quantization | GPU Memory Usage (GB) | CPU Memory Usage (GB) | Disk Usage (GB) |
| 1.8B | fp16 | 5 | 15 | 11 |
| int8 smooth quant | 5 | 15 | 22 | |
| int8 weight only | 4 | 12 | 9 | |
| int4 weight only | 4 | 10 | 7 | |
| int4 gptq (raw) | 4 | 10 | 6 | |
| int4 gptq (manual) | 5 | 13 | 14 | |
| int4 awq | 5 | 13 | 18 | |
| 7B | fp16 | 21 | 59 | 42 |
| int8 smooth quant | 21 | 59 | 84 | |
| int8 weight only | 14 | 39 | 28 | |
| int4 weight only | 10 | 29 | 21 | |
| int4 gptq (raw) | 10 | 29 | 16 | |
| int4 gptq (manual) | 21 | 51 | 42 | |
| int4 awq | 21 | 51 | 56 | |
| 14B | fp16 | 38 | 106 | 75 |
| int8 smooth quant | 38 | 106 | 150 | |
| int8 weight only | 24 | 66 | 47 | |
| int4 weight only | 16 | 46 | 33 | |
| int4 gptq (raw) | 16 | 46 | 26 | |
| int4 gptq (manual) | 38 | 90 | 66 | |
| int4 awq | 38 | 90 | 94 | |
| 72B | fp16 | 181 | 506 | 362 |
| int8 smooth quant | 181 | 506 | 724 | |
| int8 weight only | 102 | 284 | 203 | |
| int4 weight only | 61 | 171 | 122 | |
| int4 gptq (raw) | 61 | 171 | 98 | |
| int4 gptq (manual) | 181 | 434 | 244 | |
| int4 awq | 181 | 434 | 406 |
-
下载镜像。
-
官方triton镜像24.02，对应TensorRT-LLM版本为0.8.0，不含TensorRT-LLM开发包。
docker pull nvcr.io/nvidia/tritonserver:24.02-trtllm-python-py3
-
对于Windows用户想体验tritonserver部署的，或者无GPU的用户，可以使用AutoDL镜像，含tritonserver，版本为24.02（对应tensorrt_llm 0.8.0)，链接，注：该链接包含完整编译教程。
-
-
拉取本项目代码
git clone https://github.com/Tlntin/Qwen-TensorRT-LLM.git cd Qwen-TensorRT-LLM -
进入项目目录，然后创建并启动容器，同时将本地
examples代码路径映射到/app/tensorrt_llm/examples路径，然后打开8000和7860端口的映射，方便调试api和web界面。docker run --gpus all \ --name trt_llm \ -d \ --ipc=host \ --ulimit memlock=-1 \ --restart=always \ --ulimit stack=67108864 \ -p 8000:8000 \ -p 7860:7860 \ -v ${PWD}/examples:/app/tensorrt_llm/examples \ nvcr.io/nvidia/tritonserver:24.02-trtllm-python-py3 sleep 8640000 -
进入docker容器里面的qwen2路径，
-
使用pip直接安装官方编译好的tensorrt_llm，需要先安装numpy1.x,不兼容numpy2.x。
pip install "numpy<2" pip install tensorrt_llm==0.8.0 --extra-index-url https://pypi.nvidia.com --extra-index-url https://download.pytorch.org/whl/cu121 -
安装提供的Python依赖
cd /app/tensorrt_llm/examples/qwen2/ pip install -r requirements.txt -
升级transformers版本，qwen2最低需要4.37以上版本，如果有警告依赖不匹配可以忽略。
pip install "transformers>=4.37"
-
-
从HuggingFace下载模型（暂时不支持其他平台），例如
QWen1.5-7B-Chat模型，然后将文件夹重命名为qwen1.5_7b_chat，最后放到examples/qwen2/路径下即可。 -
修改编译参数（可选）
- 默认编译参数，包括batch_size, max_input_len, max_new_tokens, seq_length都存放在
default_config.py中 - 默认模型路径，包括
hf_model_dir（模型路径）和tokenizer_dir（分词器路径）以及int4_gptq_model_dir（手动gptq量化输出路径），可以改成你自定义的路径。 - 对于24G显存用户，直接编译即可，默认是fp16数据类型，max_batch_size=2
- 对于低显存用户，可以降低max_batch_size=1，或者继续降低max_input_len, max_new_tokens
- 默认编译参数，包括batch_size, max_input_len, max_new_tokens, seq_length都存放在
-
编译。
-
编译fp16（注：
--remove_input_padding和--enable_context_fmha为可选参数，可以一定程度上节省显存）。python3 build.py --remove_input_padding --enable_context_fmha
-
编译 int8 (weight only)。
python3 build.py --use_weight_only --weight_only_precision=int8
-
编译int4 (weight only)
python3 build.py --use_weight_only --weight_only_precision=int4
-
对于如果单卡装不下，又不想用int4/int8量化，可以选择尝试tp = 2，即启用两张GPU进行编译 （注：tp功能目前只支持从Huggingface格式构建engine）
python3 build.py --world_size 2 --tp_size 2
-
-
运行。编译完后，再试跑一下，输出
Output: "您好，我是来自达摩院的大规模语言模型，我叫通义千问。"这说明成功。-
tp = 1（默认单GPU）时使用python直接运行run.py
python3 run.py
-
tp = 2（2卡用户，或者更多GPU卡）时，使用
mpirun命令来运行run.pympirun -n 2 --allow-run-as-root python run.py
-
使用官方24.02容器多卡可能会报错，提示：
Failed, NCCL error /home/jenkins/agent/workspace/LLM/release-0.8/L0_PostMerge/tensorrt_llm/cpp/tensorrt_llm/plugins/ncclPlugin/allreducePlugin.cpp:183 'unknown result code',需要安装nccl2.20.3-1（使用压缩包，解压后导入系统环境变量或者使用apt命名安装均可），安装后即可正常运行。export LD_LIBRARY_PATH=nccl_2.20.3-1+cuda12.3_x86_64/lib/:$LD_LIBRARY_PATH # 或者，推荐下面这种 apt update && apt-get install -y --no-install-recommends libnccl2=2.20.3-1+cuda12.3 libnccl-dev=2.20.3-1+cuda12.3 -y
-
-
验证模型精度。可以试试跑一下
summarize.py，对比一下huggingface和trt-llm的rouge得分。这一步需要在线下载数据集，对于网络不好的用户，可以参考该方法：datasets离线加载huggingface数据集方法-
跑hugggingface版
python3 summarize.py --test_hf
-
跑trt-llm版
python3 summarize.py --test_trt_llm
-
一般来说，如果trt-llm的rouge分数和huggingface差不多，略低一些（1以内）或者略高一些（2以内），则说明精度基本对齐。
-
-
测量模型吞吐速度和生成速度。需要下载
ShareGPT_V3_unfiltered_cleaned_split.json这个文件。-
可以通过wget/浏览器直接下载，下载链接
-
也可通过百度网盘下载，链接: https://pan.baidu.com/s/12rot0Lc0hc9oCb7GxBS6Ng?pwd=jps5 提取码: jps5
-
下载后同样放到
examples/qwen2/路径下即可 -
测量前，如果需要改max_input_length/max_new_tokens，可以直接改
default_config.py即可。一般不推荐修改，如果修改了这个，则需要重新编译一次trt-llm，保证两者输入数据集长度统一。 -
测量huggingface模型
python3 benchmark.py --backend=hf --dataset=ShareGPT_V3_unfiltered_cleaned_split.json --hf_max_batch_size=1
-
测量trt-llm模型 (注意：
--trt_max_batch_size不应该超过build时候定义的最大batch_size，否则会出现内存错误。)python3 benchmark.py --backend=trt_llm --dataset=ShareGPT_V3_unfiltered_cleaned_split.json --trt_max_batch_size=1
-
-
注意：运行Smooth Quant需要将huggingface模型完全加载到GPU里面，用于构建int8标定数据集，所以需要提前确保你的显存够大，能够完全加载整个模型。
-
将Huggingface格式的数据转成FT(FastTransformer)需要的数据格式，这一步需要在线下载数据集，对于网络不好的用户，可以参考该方法：datasets离线加载huggingface数据集方法
-
单卡
python3 hf_qwen_convert.py --smoothquant=0.5
-
多卡（以2卡为例）
python3 hf_qwen_convert.py --smoothquant=0.5 --tensor-parallelism=2
-
-
开始编译trt_engine
- 单卡
python3 build.py --use_smooth_quant --per_token --per_channel
- 多卡（以2卡为例）
python3 build.py --use_smooth_quant --per_token --per_channel --world_size 2 --tp_size 2
- 单卡
-
编译完成，run/summarize/benchmark等等都和上面的是一样的了。
-
注意：运行int8-kv-cache需要将huggingface模型完全加载到GPU里面，用于构建int8标定数据集，所以需要提前确保你的显存够大，能够完全加载整个模型。
-
将Huggingface格式的数据转成FT(FastTransformer)需要的数据格式。
- 单卡
python3 hf_qwen_convert.py --calibrate-kv-cache
- 多卡（以2卡为例）
python3 hf_qwen_convert.py --calibrate-kv-cache --tensor-parallelism=2
- 单卡
-
编译int8 weight only + int8-kv-cache
- 单卡
python3 build.py --use_weight_only --weight_only_precision=int8 --int8_kv_cache
- 多卡（以2卡为例）
python3 build.py --use_weight_only --weight_only_precision=int8 --int8_kv_cache --world_size 2 --tp_size 2
- 单卡
-
需要安装auto-gptq模块，并且升级transformers模块版本到最新版（建议optimum和transformers都用最新版，否则可能有乱码问题），参考issue/68。（注：安装完模块后可能会提示tensorrt_llm与其他模块版本不兼容，可以忽略该警告）
pip install auto-gptq optimum pip install transformers -U
-
手动获取标定权重（可选）
- 转权重获取scale相关信息，默认使用GPU进行校准，需要能够完整加载模型。（注：对于Qwen-7B-Chat V1.0，可以加上
--device=cpu来尝试用cpu标定，但是时间会很长）python3 gptq_convert.py
- 编译TensorRT-LLM Engine
python build.py --use_weight_only \ --weight_only_precision int4_gptq \ --per_group - 如果想要节省显存（注：只能用于单batch），可以试试加上这俩参数来编译Engine
python build.py --use_weight_only \ --weight_only_precision int4_gptq \ --per_group \ --remove_input_padding \ --enable_context_fmha
- 转权重获取scale相关信息，默认使用GPU进行校准，需要能够完整加载模型。（注：对于Qwen-7B-Chat V1.0，可以加上
-
使用官方int4权重，例如Qwen-xx-Chat-Int4模型（推荐）
- 编译模型，注意设置hf模型路径和
--quant_ckpt_path量化后权重路径均设置为同一个路径，下面是32b-gptq-int4模型的示例（其他gptq-int4模型也是一样操作）python build.py --use_weight_only \ --weight_only_precision int4_gptq \ --per_group \ --hf_model_dir Qwen1.5-32B-Chat-GPTQ-Int4 \ --quant_ckpt_path Qwen1.5-32B-Chat-GPTQ-Int4 - 运行模型，这里需要指定一下tokenizer路径
python3 run.py --tokenizer_dir=Qwen1.5-32B-Chat-GPTQ-Int4
- 编译模型，注意设置hf模型路径和
- 需要下载并安装nvidia-ammo模块（仅支持Linux，不支持Windows）
pip install --no-cache-dir --extra-index-url https://pypi.nvidia.com nvidia-ammo~=0.7.0
- 运行int4-awq量化代码，导出校准权重。
python3 quantize.py --export_path ./qwen2_7b_4bit_gs128_awq.pt
- 运行build.py，用于构建TensorRT-LLM Engine。
python build.py --use_weight_only \ --weight_only_precision int4_awq \ --per_group \ --quant_ckpt_path ./qwen2_7b_4bit_gs128_awq.pt - 如果想要节省显存（注：只能用于单batch），可以试试加上这俩参数来编译Engine
python build.py --use_weight_only \ --weight_only_precision int4_awq \ --per_group \ --remove_input_padding \ --enable_context_fmha \ --quant_ckpt_path ./qwen2_7b_4bit_gs128_awq.pt
尝试终端对话。运行下面的命令，然后输入你的问题，直接回车即可。
python3 cli_chat.py部署api，并调用api进行对话。
- 部署api
python3 api.py- 另开一个终端，进入
qwen2/client目录，里面有4个文件，分别代表不同的调用方式。 async_client.py，通过异步的方式调用api，通过SSE协议来支持流式输出。normal_client.py，通过同步的方式调用api，为常规的HTTP协议，Post请求，不支持流式输出，请求一次需要等模型生成完所有文字后，才能返回。openai_normal_client.py，通过openai模块直接调用自己部署的api，该示例为非流式调用，请求一次需要等模型生成完所有文字后，才能返回。。openai_stream_client.py，通过openai模块直接调用自己部署的api，该示例为流式调用。- 注意：需要
pydantic模块版本>=2.3.2，否则将会出现ChatCompletionResponse' object has no attribute 'model_dump_json'报错，参考issue
尝试网页对话（可选，需要先部署api）。运行下面的命令，然后打开本地浏览器，访问：http://127.0.0.1:7860 即可
python3 web_demo.py- 默认配置的web_demo.py如下：
demo.queue().launch(share=False, inbrowser=True)- 如果是服务器运行，建议改成这样
demo.queue().launch(server_name="0.0.0.0", share=False, inbrowser=False)- web_demo参数说明
share=True: 代表将网站穿透到公网，会自动用一个随机的临时公网域名，有效期3天，不过这个选项可能不太安全，有可能造成服务器被攻击，不建议打开。inbrowser=True: 部署服务后，自动打开浏览器，如果是本机，可以打开。如果是服务器，不建议打开，因为服务器也没有谷歌浏览器给你打开。server_name="0.0.0.0": 允许任意ip访问，适合服务器，然后你只需要输入http://[你的ip]: 7860就能看到网页了，如果不开这个选择，默认只能部署的那台机器才能访问。share=False：仅局域网/或者公网ip访问，不会生成公网域名。inbrowser=False： 部署后不打开浏览器，适合服务器。
web_demo运行效果（测试平台：RTX 4080, qwen2-7b-chat, int4 weight only)
TRT-LLM.for.Qwen-7B.mp4
- 参考该教程部署tritonserver：Triton24.02部署TensorRT-LLM,实现http查询
- 使用该项目封装tritonserver以支持openai API格式，项目链接：https://github.com/zhaohb/fastapi_tritonserver
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent