240831-Qwen2-VL-7B/2B部署测试

A. 运行效果

在这里插入图片描述

B. 配置部署

如果可以执行下面就执行下面：

pip install git+https://github.com/huggingface/transformers accelerate

否则分开执行

git clone https://github.com/huggingface/transformers
cd transformers
pip install . accelerate

随后，执行

pip install qwen-vl-utils
pip install torchvision

C. 模型测试

C.1 测试代码与注意事项

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0'  # 使用GPU 0 
# ⚠️ 注意事项1: 如果是混合显卡，且中有一块不支持Flash2-Attention，则需要在代码最开始的地方指定可用显卡

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# default: Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    # "/home/lgk/Downloads/Qwen2-VL-2B-Instruct", torch_dtype="auto", device_map = "auto"
    "/home/lgk/Downloads/Qwen2-VL-2B-Instruct", torch_dtype="auto", device_map = "balanced_low_0"
)
# ⚠️ 注意事项2: 模型与输入需要选择与开头对应的设备，tokenizer没有要求，这里需要更改device_map = "balanced_low_0"

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen2VLForConditionalGeneration.from_pretrained(
#     "/home/lgk/Downloads/Qwen2-VL-2B-Instruct",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# default processer
processor = AutoProcessor.from_pretrained("/home/lgk/Downloads/Qwen2-VL-2B-Instruct")

# The default range for the number of visual tokens per image in the model is 4-16384.
# You can set min_pixels and max_pixels according to your needs, such as a token range of 256-1280, to balance performance and cost.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("/home/lgk/Downloads/Qwen2-VL-2B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

C.2 测试

mode=1

(qwen2-vl) (base) lgk@WIN-20240401VAM:~/Projects/transformers$ python -u "/home/lgk/Projects/transformers/test.py"
Loading checkpoint shards: 100%|███████████████████████████████████████████████████████| 2/2 [00:03<00:00,  1.58s/it]
['The image depicts a serene beach scene with a woman and her dog. The woman is sitting on the sand, wearing a plaid shirt and black pants, and appears to be smiling. She is holding up her hand in a high-five gesture towards the dog, which is also sitting on the sand. The dog has a harness on, and its front paws are raised in a playful manner. The background shows the ocean with gentle waves, and the sky is clear with a soft glow from the setting or rising sun, casting a warm light over the entire scene. The overall atmosphere is peaceful and joyful.']

mode=2

(qwen2-vl) (base) lgk@WIN-20240401VAM:~/Projects/transformers$ python test.py 
You are attempting to use Flash Attention 2.0 without specifying a torch dtype. This might lead to unexpected behaviour
Loading checkpoint shards: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████| 2/2 [00:08<00:00,  4.03s/it]
['The image depicts a serene beach scene with a woman and her dog. The woman is sitting on the sand, wearing a plaid shirt and black pants, and appears to be smiling. She is holding up her hand in a high-five gesture towards the dog, which is also sitting on the sand. The dog has a harness on, and its front paws are raised in a playful manner. The background shows the ocean with gentle waves, and the sky is clear with a soft glow from the setting or rising sun, casting a warm light over the entire scene. The overall atmosphere is peaceful and joyful, capturing a moment of connection between the']

D. 问题分析

D.1 Flash-Attention版本选择

flash_attn-2.3.5+cu117torch2.0cxx11abiFALSE-cp310-cp310-linux_x86_64.whl与flash_attn-2.3.5+cu117torch2.0cxx11abiTrue-cp310-cp310-linux_x86_64.whl两个版本有什么区别？

这两个版本的 flash_attn 包的区别在于它们的编译选项，特别是关于 cxx11 ABI（Application Binary Interface）的设置，这影响到包的二进制兼容性。具体来说：

cxx11abiFALSE：
- 编译时未启用 C++11 ABI（应用程序二进制接口）的选项。
- 使用了旧的 ABI（即 cxx03 ABI），通常用于与旧版本的系统或编译器（例如 GCC 4.x 系列）兼容。
- 对于那些需要与旧版本的 C++ 库兼容的系统或环境，这是合适的选择。
cxx11abiTrue：
- 编译时启用了 C++11 ABI 选项。
- 使用了新的 C++11 ABI，这通常是在较新的系统上运行的默认选择，兼容性较好，性能也有一定的提升。
- 适用于较新的编译器（如 GCC 5 及以上）以及那些完全支持 C++11 标准的系统环境。

主要区别：

二进制兼容性：启用 C++11 ABI 的版本（cxx11abiTrue）通常更现代化并且与新编译器及标准库更兼容。而未启用 C++11 ABI 的版本（cxx11abiFALSE）则是为了兼容旧的二进制接口。
性能和特性：使用 cxx11abiTrue 可能会带来性能上的微小提升，因为它使用了较新的 ABI 优化。

选择哪个版本：

如果你的环境中所有相关的 C++ 库和编译器都是较新的版本（支持 C++11 及以上），那么使用 cxx11abiTrue 版本是更合适的选择。
如果你需要兼容老版本的系统或编译器，或者有其他旧的库依赖未启用 C++11 ABI，那么选择 cxx11abiFALSE。

总之，选择时要考虑你系统的编译器版本、与其他库的兼容性以及性能需求。

D.2 如何判断

要判断你的环境中的所有相关 C++ 库和编译器是否支持 C++11 及以上版本，可以按照以下步骤进行检查：

1. 检查编译器版本

对于大多数系统，常用的 C++ 编译器是 GCC 或 Clang。以下是检查编译器版本的方法：

GCC (GNU Compiler Collection):
```
gcc --version
```
如果版本是 5.1 或更高，则默认支持 C++11 ABI。
Clang:
```
clang --version
```
Clang 3.3 及以上版本支持 C++11，但 Clang 3.5 及以上版本默认启用 C++11 ABI。

2. 检查编译器的默认 ABI 设置

检查你的编译器是否默认启用了 C++11 ABI，可以通过编译一个简单的测试程序并查看 ABI 信息：

编译测试程序:

创建一个简单的 C++ 文件（如 abi_check.cpp）：

#include <iostream>

int main() {
    std::cout << "__GLIBCXX_USE_CXX11_ABI = " << __GLIBCXX_USE_CXX11_ABI << std::endl;
    return 0;
}

编译并运行:
```
g++ abi_check.cpp -o abi_check
./abi_check
```
输出结果 __GLIBCXX_USE_CXX11_ABI = 1 表示启用了 C++11 ABI，而 0 表示未启用。

3. 检查系统中已安装的 C++ 库

有些 C++ 库可能也需要支持 C++11 ABI。检查已安装的库是否与 C++11 ABI 兼容：

查看已安装库的版本：可以使用包管理器（如 apt, yum, dnf 等）查看安装的 C++ 库的版本。

例如，查看 libstdc++ 版本：
```
apt list --installed | grep libstdc++
```
查看符号信息：对于已安装的库，使用 nm 或 objdump 查看符号信息，确保符号表中的符号与 C++11 ABI 兼容。

4. 检查构建工具链配置

如果你的项目使用 CMake、Makefile 或其他构建系统：

CMake: 确保 CMAKE_CXX_STANDARD 设置为 11 或更高：
```
set(CMAKE_CXX_STANDARD 11)
```
Makefile: 在编译选项中加入 -std=c++11 或更高的标准：
```
CXXFLAGS = -std=c++11
```

总结

通过以上步骤，你可以确认你的编译器、库和构建工具链是否默认支持并启用了 C++11 及以上的 ABI。如果所有检查结果都表明支持 C++11，那么你可以安全地使用 cxx11abiTrue 版本的包。

E. 参考文献

但是CUDA_VISIBLE_DEVICES只能在代码最开始的时候设置，中间改是没用的。
【⚠️ 大模型运行漫长的开始】关于多GPU使用 device_map_device map-CSDN博客
from_pretrained加载本地模型文件 - 知乎
⚠️ flash-attn安装报错 - 知乎
⚠️ 微调Qwen2-VL 最佳实践 — swift 2.4.0.dev0 文档
vllm-project/vllm: A high-throughput and memory-efficient inference and serving engine for LLMs
QwenLM/Qwen2-VL: Qwen2-VL is the multimodal large language model series developed by Qwen team, Alibaba Cloud.
Dao-AILab/flash-attention: Fast and memory-efficient exact attention
⚠️ 下载编译好的Flash-attention， True/False版本可以测试下
ValueError: Flash Attention 2.0 only supports torch.float16 and torch.bfloat16 dtypes. You passed torch.float32, this might lead to unexpected behaviour. · Issue #28052 · huggingface/transformers

pip install flash_attn-2.6.3+cu123torch2.4cxx11abiFALSE-cp310-cp310-linux_x86_64.whl --no-build-isolation