37 lines
1.8 KiB
Bash
37 lines
1.8 KiB
Bash
MODEL=Meta-Llama-3-8B-Instruct
|
||
|
||
if [ -z "$1" ]; then
|
||
echo "Error: No argument provided. Please specify a model name."
|
||
exit 1
|
||
fi
|
||
|
||
if [ "$1" = "llama" ]; then
|
||
CUDA_VISIBLE_DEVICES=0 python -m vllm.entrypoints.openai.api_server \
|
||
--model="/hdd/zwj/models/meta-llama/$MODEL" \
|
||
--tensor-parallel-size 1 \
|
||
--trust-remote-code \
|
||
--device auto \
|
||
--gpu-memory-utilization 0.98 \
|
||
--dtype half \
|
||
--served-model-name "$1" \
|
||
--host 0.0.0.0 \
|
||
--port 8080
|
||
fi
|
||
|
||
# https://docs.vllm.ai/en/latest/serving/openai_compatible_server.html#named-arguments
|
||
# model 模型路径，以文件夹结尾
|
||
# tensor-parallel-size 张量并行副本数，即GPU的数量，咱这儿只有2张卡
|
||
# trust-remote-code 信任远程代码，主要是为了防止模型初始化时不能执行仓库中的源码，默认值是False
|
||
# device 用于执行 vLLM 的设备。可选auto、cuda、neuron、cpu
|
||
# gpu-memory-utilization 用于模型推理过程的显存占用比例，范围为0到1。例如0.5表示显存利用率为 50%。如果未指定，则将使用默认值 0.9。
|
||
# dtype “auto”将对 FP16 和 FP32 型使用 FP16 精度，对 BF16 型使用 BF16 精度。
|
||
# “half”指FP16 的“一半”。推荐用于 AWQ 量化模型。
|
||
# “float16”与“half”相同。
|
||
# “bfloat16”用于在精度和范围之间取得平衡。
|
||
# “float”是 FP32 精度的简写。
|
||
# “float32”表示 FP32 精度。
|
||
# kv-cache-dtype kv 缓存存储的数据类型。如果为“auto”，则将使用模型默认的数据类型。CUDA 11.8及以上版本 支持 fp8 （=fp8_e4m3） 和 fp8_e5m2。ROCm （AMD GPU） 支持 fp8 （=fp8_e4m3）
|
||
# served-model-name 对外提供的API中的模型名称
|
||
# host 监听的网络地址，0.0.0.0表示所有网卡的所有IP，127.0.0.1表示仅限本机
|
||
# port API服务的端口
|