dlinfer-ascend 0.1.5

DeepLink Inference Extension

介绍

dlinfer提供了一套将国产硬件接入大模型推理框架的解决方案。 对上承接大模型推理框架，对下在eager模式下调用各厂商的融合算子，在graph模式下调用厂商的图引擎。 在dlinfer中，我们根据主流大模型推理框架与主流硬件厂商的融合算子粒度，定义了大模型推理的融合算子接口。

这套融合算子接口主要功能：

1. 将对接框架与对接厂商融合算子在适配工程中有效解耦；
2. 同时支持算子模式和图模式；
3. 图模式下的图获取更加精确匹配，提高最终端到端性能；
4. 同时支持LLM推理和VLM推理。

目前，我们正在全力支持LMDeploy适配国产芯片，包括华为，沐曦，寒武纪等。

架构介绍

组件介绍

• op interface： 大模型推理算子接口，对齐了主流推理框架以及各个厂商的融合算子粒度。
  • 算子模式：在pytorch的eager模式下，我们将通过op interface向下分发到厂商kernel。由于各个厂商对于参数的数据排布有不同的偏好，所以在这里我们并不会规定数据排布，但是为了多硬件的统一适配，我们将会统一参数的维度信息。
  • 图模式：在极致性能的驱动下，在一些硬件上的推理场景中需要依靠图模式。我们利用Pytorch2中的Dynamo编译路线，通过统一的大模型推理算子接口，获取较为粗粒度算子的计算图，并将计算图通过IR转换后提供给硬件厂商的图编译器。
• framework adaptor： 将大模型推理算子接口加入推理框架中，并且对齐算子接口的参数。
• kernel adaptor： 吸收了大模型推理算子接口参数和硬件厂商融合算子参数间的差异。

安装方法

pip安装

pip install dlinfer-ascend

目前只有华为支持pip安装。沐曦请使用源码安装。

源码安装

华为Atlas 800T A2

1. 在Atlas 800T A2上依赖torch和torch_npu，运行以下命令安装torch、torch_npu及其依赖。

   pip3 install -r requirements/ascend/full.txt
   

2. 完成上述准备工作后，使用如下命令即可安装dlinfer。

   cd /path_to_dlinfer
   DEVICE=ascend python3 setup.py develop
   

沐曦C500

1. 沐曦软件栈请自行联系沐曦相关人员。

2. 沐曦版本的dlinfer安装命令如下：

   cd /path_to_dlinfer
   DEVICE=maca python3 setup.py develop
   

支持模型框架列表

LMDeploy

		华为Atlas 800T A2		沐曦C500	寒武纪云端智能加速卡（开发中）
	bf16(eager)	w4a16(eager)	bf16(graph)
InternLM2.5-7B/20B	√	√	√	√
InternLM2-7B/20B	√	√	√	√
InternVL2-2B	√	√	√	√
InternVL1-5	√	√	-	√
Llama3(.1)-8B	√	√	√	√
Mixtral8x7B	√	X	√	√
Qwen2(.5)-7B	√	X	√	√
Qwen2-57B-A14B	√	X	-	√
CogVLM	√	X	-	√
CogVLM2	√	X	-	√
glm-4v-9b	√	-	-	-

‘√’代表测试通过，‘X’代表不支持，‘-’代表未测试

使用LMDeploy

只需要指定pytorch engine后端为ascend/maca，不需要其他任何修改即可。详细可参考lmdeploy文档。

[!CAUTION] 沐曦环境下必须把PytorchEnginConfig中的block_size设为256。

示例代码如下：

import lmdeploy
from lmdeploy import PytorchEngineConfig
if __name__ == "__main__":
    pipe = lmdeploy.pipeline("/path_to_model",
                            backend_config = PytorchEngineConfig(tp=1,
                            cache_max_entry_count=0.4, device_type="ascend", eager_mode=True))
    question = ["Shanghai is", "Please introduce China", "How are you?"]
    response = pipe(question, request_output_len=256, do_preprocess=False)
    for idx, r in enumerate(response):
        print(f"Q: {question[idx]}")
        print(f"A: {r.text}")
        print()

[!TIP] 图模式已经支持了Atlas 800T A2。 用户可以在离线模式下设定PytorchEngineConfig中的eager_mode=False来开启图模式，或者设定eager_mode=True来关闭图模式。 在线模式下默认开启图模式，请添加--eager-mode来关闭图模式。 (启动图模式需要事先source /usr/local/Ascend/nnal/atb/set_env.sh)