YunchaoYang
commented
1 month ago vLLM
The following is from
- https://www.cnblogs.com/marsggbo/p/18113963
- https://www.cnblogs.com/marsggbo/p/18006753
1 推理过程
整个推理过程大大致流程如下图所示，即 1 给定一定数量的 prompts（字符串数组）
- vllm 会使用 Scheduler 模块自动对需要推理句子进行调度
- 根据调度的结果，使用 tokenizer 将字符串转换成 prompt id，然后喂给 model 进行计算得到 logits 预测结果
- 根据 logits 预测结果和提前设置好的采样策略对结果进行采样得到新的 token id
- 将采样结果保存到 output
2. 整体核心模块
3. Sequence
如上图我们可以看到 vLLM 为输入的句子设计了很多子模块，这些模块的用处各不相同，但是有彼此之间有关系，下面分别详细介绍一下。
3.1 SequenceStatus
首先看到 SequenceStatus，其源代码如下：
class SequenceStatus(enum.Enum):
"""Status of a sequence."""
WAITING = enum.auto() # 等待中，句子还没开始推理，或者推理还未结束
RUNNING = enum.auto() # 运行中
SWAPPED = enum.auto() # 已交换
FINISHED_STOPPED = enum.auto() # 已停止
FINISHED_LENGTH_CAPPED = enum.auto() # 已长度限制
FINISHED_ABORTED = enum.auto() # 已中止
FINISHED_IGNORED = enum.auto() # 已忽略
@staticmethod
def is_finished(status: "SequenceStatus") -> bool:
# 判断状态是否为已停止、已长度限制、已中止或已忽略
return status in [
SequenceStatus.FINISHED_STOPPED,
SequenceStatus.FINISHED_LENGTH_CAPPED,
SequenceStatus.FINISHED_ABORTED,
SequenceStatus.FINISHED_IGNORED,
]3.2 SequenceData
SequenceData 用于存储与序列相关的数据。这个类有三个属性：prompt_token_ids（提示词的标记ID）、output_token_ids（生成文本的标记ID）和cumulative_logprob（累计对数概率）。
class SequenceData:
def __init__(
self,
prompt_token_ids: List[int],
) -> None:
self.prompt_token_ids = prompt_token_ids
self.output_token_ids: List[int] = []
self.cumulative_logprob = 0.03.3 Sequence
Sequence 用于存储序列的数据、状态和块信息,且每个序列有唯一标识，即seq_id。注意看下面的代码：
数据其实是通过上面的 SequenceData 保存的 默认初始化状态，所有句子序列的状态都是 SequenceStatus.WAITING 所谓块信息，其实就是 vLLM 会在初始化阶段预留出一定数量的CPU 和 GPU 内存，一般是以 token 为单位的，例如在初始化的时候会使用值全为 0，大小为 (256, 128)的 prompt_ids做 warm up。每个序列会按照实际大小申请 block 来记录内存使用情况，即序列 token 数越多，属性logical_token_blocks包含的 block 个数也就越多。
class Sequence:
def __init__(
self,
seq_id: int,
prompt: str,
prompt_token_ids: List[int],
block_size: int,
) -> None:
self.seq_id = seq_id
self.prompt = prompt
self.block_size = block_size
self.data = SequenceData(prompt_token_ids) # 数据
self.logical_token_blocks: List[LogicalTokenBlock] = []
# Initialize the logical token blocks with the prompt token ids.
self._append_tokens_to_blocks(prompt_token_ids) # 块信息
self.status = SequenceStatus.WAITING # 状态
...3.4 SequenceGroup
Sequence只是单个序列的表示方式,seq_id是它的唯一标识。SequenceGroup则是为了表示多个序列，request_id是它的唯一标识，表示是第几个请求。
具体而言，可以看到init函数有个参数是 seqs: List[Sequence]，它表示由一个或多个 Sequence 组成的列表，然后会通过self.seqs_dict = {seq.seq_id: seq for seq in seqs}转化成字典方便管理，这个字典的 key 是每个 Sequence 的唯一标识seq_id。
class SequenceGroup:
def __init__(
self,
request_id: str,
seqs: List[Sequence],
sampling_params: SamplingParams,
arrival_time: float,
lora_request: Optional[LoRARequest] = None,
prefix: Optional[Prefix] = None,
) -> None:
self.request_id = request_id
self.seqs_dict = {seq.seq_id: seq for seq in seqs}
self.sampling_params = sampling_params
self.arrival_time = arrival_time
...3.5 SequenceGroupMetadata
3.6 SequenceOutput 和 SequenceGroupOutput
4. SamplingParams
SamplingParams 包含以下参数：
n：要生成的序列的数量，默认为 1。 best_of：从多少个序列中选择最佳序列，需要大于 n，默认等于 n。 temperature：用于控制生成结果的随机性，较低的温度会使生成结果更确定性，较高的温度会使生成结果更随机。 top_p：用于过滤掉生成词汇表中概率低于给定阈值的词汇，控制随机性。 top_k：选择前 k 个候选 token，控制多样性。 presence_penalty：用于控制生成结果中特定词汇的出现频率。 frequency_penalty：用于控制生成结果中词汇的频率分布。 repetition_penalty：用于控制生成结果中的词汇重复程度。 use_beam_search：是否使用束搜索来生成序列。 length_penalty：用于控制生成结果的长度分布。 early_stopping：是否在生成过程中提前停止。 stop：要停止生成的词汇列表。 stop_token_ids：要停止生成的词汇的ID列表。 include_stop_str_in_output：是否在输出结果中包含停止字符串。 ignore_eos：在生成过程中是否忽略结束符号。 max_tokens：生成序列的最大长度。 logprobs：用于记录生成过程的概率信息。 prompt_logprobs：用于记录生成过程的概率信息，用于特定提示。 skip_special_tokens：是否跳过特殊符号。 spaces_between_special_tokens：是否在特殊符号之间添加空格。 这些参数的设置通常取决于具体需求和模型性能。以下是一些常见的设置指导方法：
temperature：较低的温度（如0.2）会产生更确定性的结果，而较高的温度（如0.8）会产生更随机的结果。您可以根据您的需求进行调整。 presence_penalty、frequency_penalty 和 repetition_penalty：这些参数可以用于控制生成结果中的词汇分布和重复程度。您可以根据您的需求进行调整。 use_beam_search：束搜索通常用于生成更高质量的结果，但可能会降低生成速度。您可以根据您的需求进行调整。 length_penalty：这个参数可以用于控制生成结果的长度。较高的值会产生更长的结果，而较低的值会产生更短的结果。您可以根据您的需求进行调整。 early_stopping：如果您不希望生成过长的结果，可以设置此参数为True。 stop 和 stop_token_ids：您可以使用这些参数来指定生成结果的结束条件。
1. Ollama
1. use Ollama CLI:
A list of available base models: https://github.com/ollama/ollama#model-library
2. use Modelfile to customize your model.
The format is similar to DockerFile. For example:
More examples are available in the examples directory.
Ollama + Langchain for local serving RAG model:
Following this tutorial to build a local serving LLM with RAG for document retrieval:
pip install langchain pip install pypdf pip install chromadb pip install gradio pip install fastembed pip install
build a chatbox with gradio and ollama: https://bibek-poudel.medium.com/create-your-own-chatbot-with-llama2-ollama-and-gradio-5c60ecb1aad0