简化部署，优化推理！LMDeploy RESTful API 让大模型落地更丝滑
自从 OpenAI 发布了 GPT-3，大型语言模型就在全球范围内引发了热潮。这些模型已经在各种领域展示出其惊人的性能，包括写作、编程助手、教育工具等。然而，如何有效地部署并优化这些模型的推理速度，仍是许多开发者和研究人员面临的难题。
今天，我们很高兴地宣布，有了 LMDeploy，这个难题将被有效解决。LMDeploy 是一个强大的开源代码库，专门用于加速大型语言模型的推理速度，同时还支持 RESTful API，带来更便捷的使用体验。LMDeploy 的 RESTful API，可以让用户像使用 ChatGPT一样使用这些大模型。最最重要的是，LMDeploy 不用你掏钱，只要你有个打游戏的 N 卡，就可以运行啦。下面，就让我们体验下它有多丝滑吧。
https://github.com/InternLM/lmdeploy
（文末点击阅读原文可直达，
觉得好用欢迎点亮小星星）
一步到位启动 api_server
执行下面的脚本，安装 LMDeploy，下载一个书生语言模型，启动 API 服务。
pip install lmdeploygit clone https://huggingface.co/lmdeploy/turbomind-internlm-chat-7b-w4lmdeploy serve api_serve turbomind-internlm-chat-7b-w4直接将运行脚本后打印的 http 地址输入到浏览器，打开 Swagger UI，比如 http://0.0.0.0:23333。浏览器打开后会显示各个 API 的使用方法，也可以直接点击试用。
Python 客户端
LMDeploy 将这些服务的Python客户端功能集成在 APIClient 类中。下面是一些例子，展示如何在客户端调用 api_server 服务。
/v1/chat/completions是 OpenAI 格式的对话 API，它将消息列表组成的会话内容作为输入，并返回模型生成的消息作为输出。如果你想用 /v1/chat/completions 接口，你可以尝试下面代码：
from lmdeploy.serve.openai.api_client import APIClientapi_client = APIClient('http://{server_ip}:{server_port}')model_name = api_client.available_models[0]messages = [{"role": "user", "content": "Say this is a test!"}]for item in api_client.chat_completions_v1(model=model_name, messages=messages): print(item)/v1/completions 是 OpenAI 格式的文本生成 API，它将对用户输入的文字段落进行续写补全。如果你想用 /v1/completions 接口，你可以尝试：
from lmdeploy.serve.openai.api_client import APIClientapi_client = APIClient('http://{server_ip}:{server_port}')model_name = api_client.available_models[0]for item in api_client.completions_v1(model=model_name, prompt='hi'): print(item)LMDeploy 的 /v1/chat/interactive api 支持将对话内容管理在服务端，但是我们默认关闭。如果想尝试，请阅读以下介绍：
交互模式下，对话历史保存在 server。在一次完整的多轮对话中，所有请求设置 interactive_mode = True, session_id 保持相同 (不为 -1，这是缺省值)。
非交互模式下，server 不保存历史记录。
交互模式可以通过 interactive_mode 布尔量参数控制，下面是一个普通模式的例子。
如果要体验交互模式，将 interactive_mode=True 传入即可。
from lmdeploy.serve.openai.api_client import APIClientapi_client = APIClient('http://{server_ip}:{server_port}')for item in api_client.generate(prompt='hi'): print(item)如要体验客户端对话功能，可以执行 lmdeploy serve api_client api_serve_url，下面是一个例子。
(base) [masaike@masaike lmdeploy]$ lmdeploy serve api_client http://0.0.0.0:23333
double enter to end input >>> 请对我来个彩虹屁
书生·浦语在这里给您送上彩虹屁：
您是一个多么美好的人啊！您拥有着无限的智慧和才华，您的思想和见解总是那么独特而深刻。您的话语总是那么温柔而有力，能够鼓舞人心，激励人们前行。您总是那么友善和慷慨，愿意帮助他人，分享您的知识和经验。您是一个真正的宝藏，值得我们所有人去珍惜和爱护。
double enter to end input >>> 再来一个
好的，书生·浦语再给您送上彩虹屁：
您是一个多么优秀和出色的人啊！您的才华和能力是无可比拟的，您的成就和贡献是值得我们所有人去敬仰和学习的。您总是那么自信和坚定，能够面对挑战和困难，克服一切困难。您总是那么有爱心和同情心，愿意帮助他人，关心他人的需要和感受。您是一个真正的榜样，值得我们所有人去追随和效仿。
高级特性
LMDeploy 后台接受到问题比较多的是，如何批量发请求，如何异步请求。批量发请求可以实现的方式有很多，可以通过 Python 协程，发大量请求，也就是异步请求。也可以通过多线程或者多进程发多个请求。下面是一个简单异步请求的例子，访问 /v1/chat/completions。
import asynciofrom aiohttp import ClientSessionasync def get_response(url): headers = {'content-type': 'application/json'} pload = { 'model': 'internlm-chat-7b', 'messages': 'hi', 'stream': False } async with ClientSession() as session: async with session.post(url, headers=headers, json=pload) as response: res = await response.text() print(res)async def main(): url = "http://10.140.24.140:1234" task_list = [] for i in range(10): task = asyncio.create_task(get_response(url+'/v1/chat/completions')) task_list.append(task) await asyncio.wait(task_list, timeout=None)
asyncio.run(main())另一个比较多的问题是，如何设置对话的最大长度。首先，确定好模型本身支持的最大对话长度。然后，用户在启动 api_server 的时候，设置传入的 --session_len 大小即可。
注意事项
以下是一些可能遇到的问题和解决方法：
当返回结果结束原因为 "finish_reason":"length"，这表示回话长度超过最大值。如需调整会话支持的最大长度，可以通过启动api_server时，设置--session_len参数大小。
当服务端显存 OOM 时，可以适当减小启动服务时的 instance_num 个数。
/v1/chat/interactive api 支持多轮对话, 但是默认关闭。messages 或者 prompt 参数既可以是一个简单字符串表示用户的单词提问，也可以是一段对话历史。
/v1/chat/interactive 普通模式切换成交互模式，只需传 interactive_model 为 True，但是也要传一个固定的 session_id，否则每次会以随机值开启新会话。从交互模式切到普通模式，只需传interactive_model 即可结束会话。下次对话开始，就不是有历史记录的回复。
总结
本文介绍了 LMDeploy 的 RESTful API 功能，以详细的示例介绍了如何使用 Python 客户端调用服务器的服务。此外，它还提供了批量请求和异步请求的高级特性，并对如何设置会话的最大长度进行了说明。
但是，在使用过程中也可能出现一些问题，例如回话长度超过最大值，服务器显存溢出等。对于这些问题，也给出了相应的解决方案，建议如果在使用过程中遇到任何问题，优先查看 Swagger UI 以确保操作正确。也欢迎向项目提交 issue 或者加微信群等方式寻求帮助。
（欢迎扫码加入群聊）
2023-11-08
2023-11-03
点击下方“阅读原文”直达 LMDeploy，欢迎使用