vLLM（Very Large Language Model）是一个高效的语言模型推理引擎，它支持多种语言模型如 GPT、BERT 和 T5 等，主要通过内存管理优化来实现高效推理。本文将详细介绍如何安装与部署 vLLM，以便开发者能够更好地利用其优势来搭建自己的大语言模型推理服务。
一、环境准备
在开始安装和部署 vLLM 之前，我们需要准备好合适的硬件和软件环境：
1. 硬件要求
- CPU：多核处理器，支持 x86_64 或 ARM 架构。
- 内存：至少 16 GB 内存，推荐 32 GB 或更高，因为 vLLM 会消耗大量内存。
- 显卡：如果使用 GPU 加速推理，推荐 NVIDIA 显卡（CUDA 支持），如 V100、A100 等。
2. 软件要求
- 操作系统：推荐使用 Linux 系统，Ubuntu 20.04 或更高版本。
- Python 版本：Python 3.8 或更高版本。
- CUDA 版本：如果使用 GPU 加速，确保 CUDA 版本与您的 GPU 驱动兼容，通常建议 CUDA 11.2 以上版本。
- PyTorch：vLLM 依赖于 PyTorch，支持最新的 PyTorch 版本。
二、安装 vLLM
vLLM 的安装相对简单，支持使用 pip 进行快速安装，以下是具体步骤：
1. 安装 Python 及相关依赖
确保系统中安装了 Python 3.8 或更高版本，如果未安装，可以通过以下命令安装 Python 及相关依赖：
sudo apt update
sudo apt install python3 python3-pip -y
然后升级 pip 到最新版本：
python3 -m pip install --upgrade pip
2. 安装 PyTorch
vLLM 依赖于 PyTorch，因此首先需要安装 PyTorch。可以根据自己的硬件情况选择适合的版本：
（1）CPU 版本：
pip install torch
（2）GPU 版本：
根据您的 CUDA 版本，选择合适的安装命令，例如 CUDA 11.2：
pip install torch==1.9.0+cu112 -f https://download.pytorch.org/whl/torch_stable.html
可以访问 PyTorch 官网 查找与 CUDA 版本匹配的安装命令。
3. 安装 vLLM
在安装完 Python 和 PyTorch 后，可以直接使用 pip 安装 vLLM：
pip install vllm
安装过程中会自动下载和安装所需的依赖，通常需要几分钟时间，取决于网络速度。
4. 验证安装
安装完成后，您可以通过以下命令验证安装是否成功：
import vllm
print(vllm.__version__)
如果能够正确输出 vLLM 的版本号，说明安装成功。
三、加载和配置语言模型
vLLM 支持多种语言模型，加载预训练模型时可以选择适合的模型大小和类型，以下是加载和配置模型的基本步骤。
1. 加载预训练模型
vLLM 支持通过 Hugging Face Hub 加载模型，可以直接加载 BERT、GPT 等模型：
from transformers import AutoTokenizer
from vllm import VLLMModel
# 加载模型和分词器
model_name = "gpt-2"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = VLLMModel.from_pretrained(model_name)
此处将 model_name 设置为您所需的模型名称，例如 gpt-3、t5 等。在加载时，会自动下载模型参数和配置文件。
2. 配置模型参数
您可以根据需求调整模型的配置参数，例如 batch size、推理模式等。通过 VLLMConfig 类可以轻松调整：
from vllm import VLLMConfig
config = VLLMConfig(batch_size=8, max_length=128, use_gpu=True)
model = VLLMModel(config=config)
其中，batch_size 是推理的批次大小，max_length 是最大输出长度，use_gpu 表示是否使用 GPU 加速。
四、推理与部署
加载和配置模型后，我们可以开始使用 vLLM 进行推理。以下是一个简单的推理示例，并介绍如何将 vLLM 部署为服务。
1. 推理示例
通过 generate 方法可以实现文本生成任务：
input_text = "Once upon a time,"
input_ids = tokenizer(input_text, return_tensors="pt").input_ids
# 进行推理
outputs = model.generate(input_ids, max_length=50)
output_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print("Generated text:", output_text)
以上代码输入一段文本后，模型将生成后续的文本。可以通过调整 max_length 参数来控制生成文本的长度。
2. 部署为服务
为了在生产环境中提供服务，可以将 vLLM 部署为 RESTful API。以下是使用 Flask 框架的示例：
（1）安装 Flask
pip install Flask
（2）创建 Flask 应用
新建一个 Python 文件 app.py，并添加以下代码：
from flask import Flask, request, jsonify
from transformers import AutoTokenizer
from vllm import VLLMModel
app = Flask(__name__)
# 加载模型
model_name = "gpt-2"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = VLLMModel.from_pretrained(model_name)
@app.route('/generate', methods=['POST'])
def generate_text():
data = request.get_json()
input_text = data.get("text", "")
max_length = data.get("max_length", 50)
input_ids = tokenizer(input_text, return_tensors="pt").input_ids
outputs = model.generate(input_ids, max_length=max_length)
output_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
return jsonify({"generated_text": output_text})
if __name__ == '__main__':
app.run(host='0.0.0.0', port=5000)
（3）启动 Flask 应用
在终端运行以下命令启动服务：
python app.py
此时，服务将会运行在 http://0.0.0.0:5000，可以通过 POST 请求访问 /generate 端点来生成文本。
（4）测试 API 服务
可以使用 curl 或 Postman 发送请求来测试该服务：
curl -X POST http://localhost:5000/generate -H "Content-Type: application/json" -d '{"text": "Once upon a time,"}'
返回结果类似于：
{
"generated_text": "Once upon a time, in a land far away..."
}
五、性能优化
为了提高 vLLM 的推理速度和服务性能，可以考虑以下几种优化方法：
1. 调整 batch size
在批量推理任务中，增加 batch size 可以提高模型利用率，但会增加内存消耗。可以根据服务器内存情况适当调整 batch size。
2. 使用 GPU 加速
vLLM 支持 GPU 加速，可以通过设置 use_gpu=True 启用。如果您的服务器有多张 GPU，可以使用 torch.distributed 进行分布式推理。
3. 模型压缩与优化
通过剪枝、量化等技术可以减少模型参数量，提高推理速度。例如使用 torch.quantization 模块对模型进行量化：
import torch.quantization
model = torch.quantization.quantize_dynamic(model, {torch.nn.Linear}, dtype=torch.qint8)
六、总结
本文详细介绍了如何安装和部署 vLLM，包括环境准备、模型加载、推理与部署等步骤。通过 vLLM，我们可以在本地搭建一个高效的语言模型推理服务，并根据需求进行优化配置。