146 lines
4.3 KiB
Markdown
146 lines
4.3 KiB
Markdown
# 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
|
||
- 暴露 `8001` OpenAI 标准协议接口，兼容 OpenClaw 调用
|
||
|
||
## 目录结构
|
||
|
||
```text
|
||
.
|
||
├── app
|
||
│ ├── config.py
|
||
│ ├── engine.py
|
||
│ ├── main.py
|
||
│ ├── model_catalog.py
|
||
│ ├── start_api.py
|
||
│ ├── start_openai.py
|
||
│ └── schemas.py
|
||
├── .dockerignore
|
||
├── config.json
|
||
├── 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
|
||
|
||
项目只读取一个配置文件：`config.json`。
|
||
|
||
- `services.api.host` / `services.api.port`：自定义推理服务监听地址与端口（默认 `0.0.0.0:8000`）
|
||
- `services.openai.host` / `services.openai.port`：OpenAI 协议服务监听地址与端口（默认 `0.0.0.0:8001`）
|
||
- `api_key`：接口访问密钥（同时用于 8000 与 8001）
|
||
- `tensor_parallel_size`：张量并行数，双卡建议 `2`
|
||
- `dtype`：推理精度，默认 `bfloat16`
|
||
- `model_root`：本地模型根目录，建议 `/opt/model`
|
||
- `offline_mode`：保留字段，当前实现固定只走离线本地模型
|
||
- `models.selected`：当前生效模型，留空时回退到 `models.default`
|
||
|
||
## config.json 说明
|
||
|
||
`config.json` 采用以下结构：
|
||
|
||
- `models.default`：默认模型名
|
||
- `models.selected`：当前生效模型名
|
||
- `models.profiles`：模型配置集合
|
||
- 每个模型必须包含：`local_path`、`ctx`、`max_num_seqs`、`max_tokens`、`gpu_util`、`valid_tp`
|
||
|
||
启动时会按以下优先级选模型：
|
||
|
||
1. `config.json` 中 `models.selected`
|
||
2. `config.json` 中 `models.default`
|
||
|
||
模型被选中后，会自动覆盖运行参数，包括：
|
||
|
||
- `model_name` ← `local_path`（相对路径会自动拼接 `model_root`）
|
||
- `max_model_len` ← `ctx`
|
||
- `max_num_seqs` ← `max_num_seqs`
|
||
- `max_tokens` ← `max_tokens`
|
||
- `gpu_memory_utilization` ← `gpu_util`
|
||
- `trust_remote_code` ← `trust_remote`
|
||
- `enforce_eager` ← `enforce_eager`
|
||
|
||
## 部署步骤
|
||
|
||
1. 修改 `config.json` 中的 `models.selected` 与服务参数。
|
||
|
||
2. 构建并启动容器：
|
||
|
||
```bash
|
||
docker compose up -d --build
|
||
```
|
||
|
||
3. 验证自定义推理服务：
|
||
|
||
```bash
|
||
curl http://localhost:<services.api.port>/health
|
||
```
|
||
|
||
4. 验证 OpenAI 协议服务：
|
||
|
||
```bash
|
||
curl http://localhost:<services.openai.port>/v1/models
|
||
```
|
||
|
||
## 推理请求示例
|
||
|
||
```bash
|
||
curl -X POST "http://localhost:<services.api.port>/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}"
|
||
```
|
||
|
||
## OpenAI 协议示例（8001）
|
||
|
||
```bash
|
||
curl -X POST "http://localhost:8001/v1/chat/completions" \
|
||
-H "Content-Type: application/json" \
|
||
-H "Authorization: Bearer <config.json中的api_key>" \
|
||
-d "{\"model\":\"Qwen3.5-35B-A3B-GPTQ-Int4\",\"messages\":[{\"role\":\"user\",\"content\":\"你好，介绍一下你自己\"}],\"temperature\":0.7}"
|
||
```
|
||
|
||
## OpenClaw 调用说明
|
||
|
||
- Base URL 使用 `http://<服务器IP>:8001/v1`
|
||
- API Key 使用 `config.json` 中 `api_key`
|
||
- 模型名使用 `config.json` 中 `models.profiles.<模型名>.served_model_name`
|
||
- 若使用工具调用，`config.json` 中应配置 `tool_call_parser` 与 `enable_auto_tool_choice`
|
||
- 服务强制离线模式，不会回退到 Hugging Face 远程下载
|
||
- 所有路径按 Ubuntu 规范填写，本地模型建议使用 `/opt/model/<模型目录>`
|
||
|
||
## 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`
|