大模型的痛点

1. 大模型的计算量是非常大的

 

2. 显存的相应区域是非常大的 

 

3.访存瓶颈 

 

1. GPU的大部分时间都花在数据交换上面
2. 不断拉高batchsize，不断地提高计算的访存比是不是会有较好的效果呢？这是一个很好的想法，但是显存不够就会很尴尬
3. 为了能够更好的利用GPU进行推理，一般输入的tensor一般是要长度相同的，长度如果不相同的话，如果并行推理就会导致短tensor要去等待长tensor，导致的是GPU一段时间内进行摸鱼

大模型常用的大模型部署方法

1. 大模型剪枝（减少模型的参数）
   1. 移除个别参数，不考虑整体的网络结构，
   2. 可以查阅相关文献
2. 知识蒸馏（减少模型的参数）
   1. 先训练一个大模型，教师模型
   2. 然后再用这个大模型去训练一个小模型
3. 模型量化（可以损失一些模型的精度）
   1. 把浮点数转化为整数等等，可以减少存储空间
   2. 推理速度加快
      1. 先把整数转化为浮点数，计算完成了之后再转化为整数然后再储存起来
      2. 加快主要是整数的传输更加快，而不是计算整数更快，计算使用的还是浮点数

LMDeploy

1. TurboMind是推出的高效的推理引擎
2. 实现了LLaMa结构模型的支持 Imdeploy chat -h
3. 模型的量化压缩
4. 服务化的部署
   1. 将LLM封装为HTTP 的API，支持Triton扩展
   2. 同时支持多模态的视觉大模型
   3. 支持第三方的大模型的部署,我们可以使用ChatGLM2试一试

 

1. 安装部署LMDeploy
   1. 参见https://github.com/InternLM/Tutorial/blob/camp2/lmdeploy/README.md的教程
   2. 使用Cuda12.2-conda，低版本的会不兼容
2. LMDeploy模型对话（chat）
   1. HuggingFace和TurboMind
      1. 但是TurboMind只能用TurboMind格式的模型，如果使用HuggingFace的模型那么需要转化为TurboMind格式的模型
3. 可以在开发机上下载模型
   1. 因为InternStudio开发机上集成了常用的权重的文件
   2. 可以在OpenXLab平台下载模型

 

实操部分（作业） 

1. 环境部署
2. 使用命令行与之进行对话