# ROCm vLLM 容器化推理项目

基于镜像 `rocm/vllm:rocm7.12.0_gfx120X-all_ubuntu24.04_py3.12_pytorch_2.9.1_vllm_0.16.0` 的 Python 推理服务，适配双 AMD R9700 32G GPU。

## 项目目标

- 提供可容器化部署的模型推理 API
- 使用 vLLM 在双 GPU 上进行张量并行推理
- 提供健康检查、鉴权和参数化配置能力

## 目录结构

```text
.
├── app
│   ├── config.py
│   ├── engine.py
│   ├── main.py
│   └── schemas.py
├── .dockerignore
├── .env.example
├── docker-compose.yml
├── Dockerfile
└── requirements.txt
```

## 接口说明

### 1) 健康检查

- 方法：`GET /health`
- 返回：服务状态与当前模型名

### 2) 文本生成

- 方法：`POST /v1/generate`
- Header：可选 `x-api-key`（配置 `API_KEY` 后必填）
- 请求体：

```json
{
  "prompt": "请介绍一下ROCm和vLLM的关系",
  "max_tokens": 256,
  "temperature": 0.7,
  "top_p": 0.95,
  "repetition_penalty": 1.0,
  "stop": ["</s>"]
}
```

## 配置项

可通过 `.env` 配置，建议先复制 `.env.example`：

- `MODEL_NAME`：模型名称或本地路径
- `TENSOR_PARALLEL_SIZE`：张量并行数，双卡建议为 `2`
- `GPU_MEMORY_UTILIZATION`：单卡显存利用率，建议 `0.90~0.95`
- `MAX_MODEL_LEN`：模型最大上下文长度
- `MAX_NUM_SEQS`：并发序列数量
- `DTYPE`：精度类型，默认 `bfloat16`
- `API_KEY`：可选接口访问密钥

## 部署步骤

1. 准备环境变量：

```bash
cp .env.example .env
```

2. 修改 `.env` 中的 `MODEL_NAME` 与资源参数。

3. 构建并启动容器：

```bash
docker compose up -d --build
```

4. 验证服务：

```bash
curl http://localhost:8000/health
```

## 推理请求示例

```bash
curl -X POST "http://localhost:8000/v1/generate" \
  -H "Content-Type: application/json" \
  -d "{\"prompt\":\"请用三句话介绍大模型推理优化\",\"max_tokens\":128,\"temperature\":0.7}"
```

## 双 AMD R9700 调优建议

- 首选 `TENSOR_PARALLEL_SIZE=2`
- 首次部署建议设置 `GPU_MEMORY_UTILIZATION=0.90`，稳定后再调高
- 若模型较大且吞吐压力高，可逐步调低 `MAX_MODEL_LEN` 或 `MAX_NUM_SEQS`
- 确保宿主机已正确安装 ROCm 驱动并暴露 `/dev/kfd` 与 `/dev/dri`