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

.
├── app
│   ├── config.py
│   ├── engine.py
│   ├── main.py
│   ├── model_catalog.py
│   └── schemas.py
├── .dockerignore
├── .env.example
├── 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：

{
  "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_CONFIG_FILE：模型配置文件路径，默认 config.json
MODEL_KEY：要启动的模型键，留空时使用 config.json 中 default_model
MODEL_NAME：兜底模型名（仅在不使用配置文件时生效）
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
MAX_TOKENS：单请求最大生成长度
DTYPE：精度类型，默认 bfloat16
API_KEY：可选接口访问密钥

config.json 说明

config.json 采用以下结构：

顶层 default_model：默认模型名
顶层其他键：每个模型的配置档位
每个模型至少建议包含：hf_model_id、ctx、max_num_seqs、max_tokens、gpu_util、valid_tp

启动时会按以下优先级选模型：

.env 中 MODEL_KEY
config.json 中 default_model

模型被选中后，会自动覆盖运行参数，包括：

model_name ← hf_model_id
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

准备环境变量：

cp .env.example .env

修改 .env 中的 MODEL_KEY，选择要启动的模型。
构建并启动容器：

docker compose up -d --build

验证服务：

curl http://localhost:8000/health

推理请求示例

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

3.2 KiB Raw Blame History Unescape Escape