【vLLM 学习】Neuron Int8 Quantization

vLLM 是一款专为大语言模型推理加速而设计的框架，实现了 KV 缓存内存几乎零浪费，解决了内存管理瓶颈问题。

更多 vLLM 中文文档及教程可访问 →vllm.hyper.ai/

*在线运行 vLLM 入门教程：零基础分步指南

源码 examples/offline_inference/neuron_int8_quantization.py

# SPDX-License-Identifier: Apache-2.0import osfrom vllm import LLM, SamplingParams# 为所有上下文长度存储桶创建 XLA HLO 图。
os.environ['NEURON_CONTEXT_LENGTH_BUCKETS'] = "128,512,1024,2048"
# 为所有 token gen buckets 创建 XLA HLO 图。
os.environ['NEURON_TOKEN_GEN_BUCKETS'] = "128,512,1024,2048"
# 将神经元模型权重量化为 int8
# 量化的默认配置为 int8 dtype。
os.environ['NEURON_QUANT_DTYPE'] = "s8"# 样本提示。
prompts = ["Hello, my name is","The president of the United States is","The capital of France is","The future of AI is",
]# 创建一个采样参数对象。
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)# 创建一个 LLM。
llm = LLM(model="TinyLlama/TinyLlama-1.1B-Chat-v1.0",max_num_seqs=8,# max_model_len 和 block_size 参数必须与# 定位神经元设备时的最大序列长度。# 目前，这是连续批处理支持的已知限制# 在 transformers-Neuronx 中。# todo (liangfu) :在 transformers-Neuronx 中支持分页。max_model_len=2048,block_size=2048,# 安装 AWS Neuron SDK 时可以自动检测到该设备。# 设备参数可以被未指定用于自动检测，# 或明确分配。device="neuron",quantization="neuron_quant",override_neuron_config={"cast_logits_dtype": "bfloat16",},tensor_parallel_size=2)# 从提示中生成文本。输出是 RequestOutput 对象的列表包含提示，生成的文本和其他信息的对象
outputs = llm.generate(prompts, sampling_params)
# 打印输出。
for output in outputs:prompt = output.promptgenerated_text = output.outputs[0].textprint(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")