本文截取自20万字的《PyTorch实用教程》（第二版），敬请关注：《Pytorch实用教程》（第二版）无论是零基础入门，还是CV、NLP、LLM项目应用，或是进阶工程化部署落地，在这里都有。相信在本书的帮助下，读者将能够轻松掌握 PyTorch 的使用，成为一名优秀的深度学习工程师。《Pytorch实用教程》（第二版）无论是零基础入门，还是CV、NLP、LLM项目应用，或是进阶工程化部署落地，在这里都有。相信在本书的帮助下，读者将能够轻松掌握 PyTorch 的使用，成为一名优秀的深度学习工程师。 - TingsongYu/PyTorch-Tutorial-2nd
https://github.com/TingsongYu/PyTorch-Tutorial-2nd
LLM 入门与实践（一）Qwen部署与分析
LLM 入门与实践（二）ChatGLM3 部署与分析
LLM 入门与实践（三）Baichuan2 部署与分析
LLM 入门与实践（四） Yi 部署与分析
前言
Yi是由零一万物开源的大语言模型，目前（2024年4月16日）包括6B和34B-chat版本，base版本有6B、9B和34B。
零一万物是2023年7月，李开复筹组新公司，部注册于北京，集中在大模型技术、人工智能算法、自然语言处理、系统架构、算力架构、数据安全、产品研发等领域。
更多信息：
-
公司官网：零一万物-AI2.0大模型技术和应用的全球公司
-
HF: https://huggingface.co/01-ai
-
github: 01.AI · GitHub
-
LLM-github：GitHub - 01-ai/Yi: A series of large language models trained from scratch by developers @01-ai
-
技术报告：https://arxiv.org/abs/2403.04652
部署安装
第一步，代码下载
git clone https://github.com/01-ai/Yi.git
第二步，权重下载
git clone https://www.modelscope.cn/01ai/Yi-6B-Chat-4bits.git
第三步，量化环境安装
int4和int8分别需要AWQ和GPTQ环境
pip install autoawq https://github.com/casper-hansen/AutoAWQ?tab=readme-ov-file#install-from-pypi https://github.com/AutoGPTQ/AutoGPTQ?tab=readme-ov-file#quick-installation
第四步，配置代码中模型路径
parser.add_argument("-c","--checkpoint-path",type=str,default=r"G:\04-model-weights\Yi-6B-Chat-4bits",help="Checkpoint name or path, default to %(default)r",
) default=r"G:\04-model-weights\Yi-6B-Chat-4bits",
第五步，运行代码
Yi没有提供命令行的交互demo，提供的事web ui版，运行Yi\demo\web_demo.py 即可跳出基于gradio的交互界面。
修改后的代码可参考github
模型UML分析
Yi的github仓库及模型权重仓库均未找到类似Qwen、ChatGLM、Baichuan那样的模型文件，因此无法深入探究模型结构。
为了探究Yi模型的推理步骤，debug观察到以下信息，供流程分析所用。
-
model = AutoModelForCausalLM.from_pretrained 获得的模型是LlamaForCausalLM类，其中的核心model是LlamaModel
LlamaForCausalLM((model): LlamaModel((embed_tokens): Embedding(64000, 4096)(layers): ModuleList((0-31): 32 x LlamaDecoderLayer((self_attn): LlamaSdpaAttention((q_proj): WQLinear_GEMM(in_features=4096, out_features=4096, bias=False, w_bit=4, group_size=128)(k_proj): WQLinear_GEMM(in_features=4096, out_features=512, bias=False, w_bit=4, group_size=128)(v_proj): WQLinear_GEMM(in_features=4096, out_features=512, bias=False, w_bit=4, group_size=128)(o_proj): WQLinear_GEMM(in_features=4096, out_features=4096, bias=False, w_bit=4, group_size=128)(rotary_emb): LlamaRotaryEmbedding())(mlp): LlamaMLP((gate_proj): WQLinear_GEMM(in_features=4096, out_features=11008, bias=False, w_bit=4, group_size=128)(up_proj): WQLinear_GEMM(in_features=4096, out_features=11008, bias=False, w_bit=4, group_size=128)(down_proj): WQLinear_GEMM(in_features=11008, out_features=4096, bias=False, w_bit=4, group_size=128)(act_fn): SiLU())(input_layernorm): LlamaRMSNorm()(post_attention_layernorm): LlamaRMSNorm()))(norm): LlamaRMSNorm())(lm_head): Linear(in_features=4096, out_features=64000, bias=False) )
-
在模型权重的config.json中，体现模型架构为LlamaForCausalLM
{"architectures": ["LlamaForCausalLM"],"attention_bias": false,"bos_token_id": 1,"eos_token_id": 2,"hidden_act": "silu","hidden_size": 4096,"initializer_range": 0.02,"intermediate_size": 11008,"max_position_embeddings": 4096,"model_type": "llama","num_attention_heads": 32,"num_hidden_layers": 32,"num_key_value_heads": 4,"pretraining_tp": 1,"quantization_config": {"bits": 4,"group_size": 128,"quant_method": "awq","version": "gemm","zero_point": true},"rms_norm_eps": 1e-05,"rope_scaling": null,"rope_theta": 5000000.0,"tie_word_embeddings": false,"torch_dtype": "float16","transformers_version": "4.35.0","use_cache": true,"vocab_size": 64000
}
Prompt 结构分析
web_demo.py代码结构整体基于transformers库的工具来实现，推理采用流处理，基于transformers的TextIteratorStreamer实现，模型单次推理由TextIteratorStreamer代理，这里不深入。
这里看看Yi源代码中的predict函数，该函数对历史对话进行了处理，实现多轮对话的Prompt处理。大体可分为4步：
第一步：将历史信息转为模型输入的tokens_ids， 这一步调用transformers的apply_chat_template接口功能实现；
第二步：创建流处理器TextIteratorStreamer
第三步：组装本轮对话所需信息，generate_kwargs
第四步：启动线程执行model.generate， 从流处理器streamer中拿单次推理的结果
由于大部分是transformers库的代码，此处就不深入展开了
def predict(history, max_length, top_p, temperature):stop = StopOnTokens()messages = []for idx, (user_msg, model_msg) in enumerate(history):if idx == len(history) - 1 and not model_msg:messages.append({"role": "user", "content": user_msg})breakif user_msg:messages.append({"role": "user", "content": user_msg})if model_msg:messages.append({"role": "assistant", "content": model_msg})
print("\n\n====conversation====\n", messages)model_inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, tokenize=True, return_tensors="pt").to(next(model.parameters()).device)streamer = TextIteratorStreamer(tokenizer, timeout=60, skip_prompt=True, skip_special_tokens=True)generate_kwargs = {"input_ids": model_inputs,"streamer": streamer,"max_new_tokens": max_length,"do_sample": True,"top_p": top_p,"temperature": temperature,"stopping_criteria": StoppingCriteriaList([stop]),"repetition_penalty": 1.2,}t = Thread(target=model.generate, kwargs=generate_kwargs)t.start()
for new_token in streamer:if new_token != "":history[-1][1] += new_tokenyield history
小结
通过Yi的代码，可以了解如何快速基于transformers构建一个LLM推理部署代码。
并且可以了解GPTQ和AWQ的部署需要单独安装对应的python库。
