128 lines
3.2 KiB
Markdown
128 lines
3.2 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
|
||
|
||
## 目录结构
|
||
|
||
```text
|
||
.
|
||
├── 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：
|
||
|
||
```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_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：
|
||
|
||
1. `.env` 中 `MODEL_KEY`
|
||
2. `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
|
||
|
||
1. 准备环境变量：
|
||
|
||
```bash
|
||
cp .env.example .env
|
||
```
|
||
|
||
2. 修改 `.env` 中的 `MODEL_KEY`，选择要启动的模型。
|
||
|
||
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`
|
||
|