FastAPI部署大模型Llama 3.1

项目地址：self-llm/models/Llama3_1/01-Llama3_1-8B-Instruct FastApi 部署调用.md at master · datawhalechina/self-llm (github.com)
目标：利用AutoDL的深度学习情况，简单部署大模型
情况预备

思量到部分同学配置情况大概会遇到一些题目，我们在AutoDL平台预备了LLaMA3-1的情况镜像，点击下方链接并直接创建Autodl示例即可。 CodeWithGPU | 能复现才是好算法
首先 pip 换源加速下载并安装依赖包

1. # 升级pip
2. python -m pip install --upgrade pip
3. # 更换 pypi 源加速库的安装
4. pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
5. ​
6. pip install fastapi==0.111.1
7. pip install uvicorn==0.30.3
8. pip install modelscope==1.16.1
9. pip install transformers==4.42.4
10. pip install accelerate==0.32.1

复制代码

模型下载

模型下载社区有魔塔和huggingface（被墙，大概不能利用），所以同意利用魔塔社区的方式下载模型
新建 model_download.py 文件并在其中输入以下内容，粘贴代码后请及时生存文件，如下图所示。并运行 python model_download.py 实行下载，模型大小为 15GB，下载模型大概需要15 分钟。

1. import torch
2. from modelscope import snapshot_download, AutoModel, AutoTokenizer
3. import os
4. model_dir = snapshot_download('LLM-Research/Meta-Llama-3.1-8B-Instruct', cache_dir='/root/autodl-tmp', revision='master')

复制代码

   注意：如果模型下载失败，可以多试几次：运行 python model_download.py
  API部署代码

新建 api.py 文件并在其中输入以下内容，粘贴代码后请及时生存文件（Ctrl+s）。以下代码有很详细的解释

1. from fastapi import FastAPI, Request
2. from transformers import AutoTokenizer, AutoModelForCausalLM
3. import uvicorn
4. import json
5. import datetime
6. import torch
7. ​
8. # 设置设备参数
9. DEVICE = "cuda"  # 使用CUDA
10. DEVICE_ID = "0"  # CUDA设备ID，如果未设置则为空
11. CUDA_DEVICE = f"{DEVICE}:{DEVICE_ID}" if DEVICE_ID else DEVICE  # 组合CUDA设备信息
12. ​
13. # 清理GPU内存函数
14. def torch_gc():
15.    if torch.cuda.is_available():  # 检查是否可用CUDA
16.        with torch.cuda.device(CUDA_DEVICE):  # 指定CUDA设备
17.            torch.cuda.empty_cache()  # 清空CUDA缓存
18.            torch.cuda.ipc_collect()  # 收集CUDA内存碎片
19. ​
20. # 创建FastAPI应用
21. app = FastAPI()
22. ​
23. # 处理POST请求的端点
24. @app.post("/")
25. async def create_item(request: Request):
26.    global model, tokenizer  # 声明全局变量以便在函数内部使用模型和分词器
27.    json_post_raw = await request.json()  # 获取POST请求的JSON数据
28.    json_post = json.dumps(json_post_raw)  # 将JSON数据转换为字符串
29.    json_post_list = json.loads(json_post)  # 将字符串转换为Python对象
30.    prompt = json_post_list.get('prompt')  # 获取请求中的提示
31. ​
32.    messages = [
33.            {"role": "system", "content": "You are a helpful assistant."},
34.            {"role": "user", "content": prompt}
35.    ]
36. ​
37.    # 调用模型进行对话生成
38.    input_ids = tokenizer.apply_chat_template(messages,tokenize=False,add_generation_prompt=True)
39.    model_inputs = tokenizer([input_ids], return_tensors="pt").to('cuda')
40.    generated_ids = model.generate(model_inputs.input_ids,max_new_tokens=512)
41.    generated_ids = [
42.        output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
43.    ]
44.    response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
45.    now = datetime.datetime.now()  # 获取当前时间
46.    time = now.strftime("%Y-%m-%d %H:%M:%S")  # 格式化时间为字符串
47.    # 构建响应JSON
48.    answer = {
49.        "response": response,
50.        "status": 200,
51.        "time": time
52.    }
53.    # 构建日志信息
54.    log = "[" + time + "] " + '", prompt:"' + prompt + '", response:"' + repr(response) + '"'
55.    print(log)  # 打印日志
56.    torch_gc()  # 执行GPU内存清理
57.    return answer  # 返回响应
58. ​
59. # 主函数入口
60. if __name__ == '__main__':
61.    # 加载预训练的分词器和模型
62.    model_name_or_path = '/root/autodl-tmp/LLM-Research/Meta-Llama-3___1-8B-Instruct'
63.    tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, use_fast=False)
64.    model = AutoModelForCausalLM.from_pretrained(model_name_or_path, device_map="auto", torch_dtype=torch.bfloat16)
65. ​
66.    # 启动FastAPI应用
67.    # 用6006端口可以将autodl的端口映射到本地，从而在本地使用api
68.    uvicorn.run(app, host='0.0.0.0', port=6006, workers=1)  # 在指定端口和主机上启动应用

复制代码

运行以上代码 python api.py
   如果遇到以下bug：需要pip install transformers==4.43.1
  

部署测试

在终端输入以下下令启动api服务：

1. python api.py

复制代码

加载完毕后出现如下信息阐明乐成。

默认部署在 6006 端口，通过 POST 方法进行调用，可以利用 curl 调用，如下所示：

• curl: 这是下令行工具的名字，用于从服务器获取或发送数据。
  
• -X POST: 这个选项指定了请求类型为 POST。POST 请求通常用于向服务器发送数据。
  
• "http://127.0.0.1:6006": 这是请求的目标 URL。127.0.0.1 是当地回环地址，意味着请求将被发送到同一台计算机上运行的服务。6006 是服务监听的端口号。
  
• -H 'Content-Type: application/json': 这个选项设置了请求头 (Header) 中的 Content-Type 字段为 application/json。这告诉服务器发送的数据是 JSON 格式。
  
• -d '{"prompt": "你好"}': 这个选项指定了要发送的数据体 (Body)。在这里，数据是一个 JSON 对象，其中包含一个键值对，键是 "prompt"，值是 "你好"。这个数据体将作为请求的一部分发送给服务器。
  

也可以利用 python 中的 requests 库进行调用，我们新建一个test.ibynb文件，复制如下代码，按Enter+Shift运行代码。

1. import requests
2. import json
3. ​
4. def get_completion(prompt):
5.    headers = {'Content-Type': 'application/json'}
6.    data = {"prompt": prompt}
7.    response = requests.post(url='http://127.0.0.1:6006', headers=headers, data=json.dumps(data))
8.    return response.json()['response']
9. ​
10. if __name__ == '__main__':
11.    print(get_completion('我写了一篇文章：FastAPI部署大模型Llama3.1。你帮我写一段总结，100字以内'))

复制代码

输出结果如下：
![image-20240816030254692](https://new-typora2.oss-cn-guangzhou.aliyuncs.com/img/image-20240816030254692.png

部署大模型Llama 3.1 到 FastAPI
本文介绍了怎样将大模型Llama 3.1 部署到 FastAPI，一个现代、快速、强大的 Python web 框架。通过本教程，你将学习怎样将 Llama 3.1 集成到 FastAPI 中，并利用其强大的天然语言处理能力来构建智能应用。
本文涵盖了以下内容：

• 安装和设置 FastAPI
  
• 下载和部署 Llama 3.1 模型
  
• 利用 FastAPI 与 Llama 3.1 进行交互
  
• 构建智能应用
  

本教程适合任何对 AI 和机器学习感兴趣的开发者。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。