before-command-example
This commit is contained in:
parent
baf287f266
commit
0d887d9dbd
128
README.md
128
README.md
|
|
@ -2,12 +2,13 @@
|
|||
|
||||
# 📘 نصب و استفاده از vllm
|
||||
|
||||
## بخش 1: نصب vllm
|
||||
## ⏬ بخش 1: نصب vllm
|
||||
|
||||
<details>
|
||||
<summary> install via environments </summary>
|
||||
|
||||
#### مقدمه:
|
||||
<summary style="text-align: center; color: red; font-weight: bold; cursor: pointer;" > install via environments </summary>
|
||||
|
||||
### مقدمه:
|
||||
- بهتر است برای نصب این کتابخانه و یا کتابخانه‌هایی با وابستگی‌های زیاد از `uv` استفاده کنید:
|
||||
🔗 لینک توضیحات بیشتر:
|
||||
[https://docs.astral.sh/uv](https://docs.astral.sh/uv)
|
||||
|
|
@ -20,6 +21,9 @@
|
|||
- دستور ساخت:
|
||||
```uv venv --python 3.12```
|
||||
- دستور فعالسازی: `source .venv/bin/activate`
|
||||
|
||||
---
|
||||
|
||||
### نصب vllm
|
||||
- خب حالا نوبت به نصب `vllm` است
|
||||
* نکته: بر اساس مدلی که میخواهید serve کنید نسخه مشخص شده و بهینه شده را انتخاب کنید.
|
||||
|
|
@ -45,7 +49,119 @@
|
|||
</details>
|
||||
|
||||
<details>
|
||||
<summary> install via docker </summary>
|
||||
<summary style="text-align: center; color: red; font-weight: bold; cursor: pointer;"> install via docker </summary>
|
||||
|
||||
detail of docker
|
||||
</details>
|
||||
### مقدمه:
|
||||
- ابتدا داکر مناسب مدل خود را از [docker hub vllm](https://hub.docker.com/u/vllm) انتخاب کنید
|
||||
- نسخه ای که توسط ما استفاده شده است : ` vllm/vllm-openai:latest `
|
||||
- با تشکر از [mohamad-tohidi/ai_server_setup](https://github.com/mohamad-tohidi/ai_server_setup/blob/main/install_nvidia_container_tool.sh) برای guideline کامل.
|
||||
|
||||
---
|
||||
|
||||
### نصب پیش نیاز ها و image vllm
|
||||
<div dir="ltr" align="left">
|
||||
|
||||
1. ` sudo apt-get update -y `
|
||||
2. ` sudo apt-get install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin `
|
||||
3. ` sudo systemctl start docker `
|
||||
4. ` sudo systemctl enable docker `
|
||||
5. ` curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | \
|
||||
sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg `
|
||||
6. ` curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
|
||||
sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
|
||||
sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list > /dev/null `
|
||||
7. ` sudo sed -i -e '/experimental/ s/^#//g' /etc/apt/sources.list.d/nvidia-container-toolkit.list || true `
|
||||
8. ` sudo apt-get update `
|
||||
9. ` sudo apt-get install -y nvidia-container-toolkit `
|
||||
10. ` sudo nvidia-ctk runtime configure --runtime=docker `
|
||||
11. ` sudo systemctl restart docker `
|
||||
12. ` docker pull vllm/vllm-openai ` or any tags u want via this format ` docker pull vllm/vllm-openai:nightly-29de3cdee4dd7f805931b459398b15c3b5f7057c `
|
||||
</div>
|
||||
|
||||
---
|
||||
|
||||
### راه اندازی vllm با container docker
|
||||
- توضیح کار با کانتینر با یک مثال:
|
||||
|
||||
<div dir="ltr" align="left">
|
||||
|
||||
``` sudo docker run --gpus all --ipc=host -p 5001:5001 -v /MODELS/gpt-oss-120b:/model/gpt-oss-120b vllm/vllm-openai:latest --model /model/gpt-oss-120b --port 5001 --gpu-memory-utilization 0.96 --served-model-name gpt-oss-120b --kv-cache-dtype fp8_e4m3 -O3 ```
|
||||
|
||||
⭕ ` sudo docker run ` : اجرای کانتینر با دسترسی root
|
||||
|
||||
⭕ ` --gpus all ` :
|
||||
|
||||
<div dir="ltr" align="right">
|
||||
|
||||
دسترسی کامل به تمامی GPUهای سیستم ؛ در صورت نصب بودن ` nvidia-container-toolkit ` روی سرور (مطابق مراحل قبلی اگر رفته باشید مشکلی ندارید!)
|
||||
</div>
|
||||
|
||||
⭕ ` --ipc=host ` : به اشتراک‌گذاری حافظه IPC بین هاست و کانتینر.
|
||||
|
||||
⭕ ` -p 5001:5001 ` : port binding سیستم به docker
|
||||
|
||||
⭕ ` -v /MODELS/gpt-oss-120b:/model/gpt-oss-120b ` : ولیوم کردن دایرکتوری سیستم به دایرکتوری داخل docker
|
||||
|
||||
⭕ ` vllm/vllm-openai:latest ` : اسم image مورد استفاده
|
||||
|
||||
⭕ ` --model /model/gpt-oss-120b --port 5001 --gpu-memory-utilization 0.96 --served-model-name gpt-oss-120b --kv-cache-dtype fp8_e4m3 -O3 ` : پارامتر هایی که مطابق با خود vllm و مدل میتوانید استفاده کنید
|
||||
|
||||
</div>
|
||||
|
||||
</details>
|
||||
|
||||
## ⚙️بخش 2: پارامتر های serve با vllm
|
||||
<details>
|
||||
|
||||
<summary style="text-align: center; color: red; font-weight: bold; cursor: pointer;" > vllm serve params Table </summary>
|
||||
|
||||
### نکته:
|
||||
- بعد از نصب بر اساس نسخه نصب شده و کانفیگ مدل مورد نظر برای serve با پارامتر های متفاوتی شاید سروکار داشته باشید
|
||||
|
||||
حتما داکیومنت های سازنده مدل در این باره را مطالعه کنید
|
||||
### پارامترهای مهم vLLM به صورت عمومی:
|
||||
|
||||
<div dir="ltr" align="center">
|
||||
|
||||
| پارامتر | مقدار نمونه | توضیح فارسی |
|
||||
| --------------------------- | -------------------------------- | ---------------------------------------------------------- |
|
||||
| `--model` | مسیر مدل | مسیر محلی که مدل و وزن‌ها در آن قرار دارد |
|
||||
| `--dtype` | `auto`, `half`, `bf16`, `mxfp4` | نوع داده برای محاسبات — `half` سریع‌تر، `mxfp4` حافظه کمتر |
|
||||
| `--max-model-len` | `1024`, `4096`, `8192` | حداکثر طول ورودی/خروجی مدل (تعداد توکن در context) |
|
||||
| `--max-num-batched-tokens` | `1024` تا `32768` | حداکثر تعداد توکن در هر batch (برای سرعت بیشتر) |
|
||||
| `--gpu-memory-utilization` | `0.9` | درصد استفاده از VRAM (پیشنهاد: ۰٫۹ تا ۰٫۹۵) |
|
||||
| `--tensor-parallel-size` | `1` یا `>1` | تقسیم مدل روی چند GPU |
|
||||
| `--kv-cache-memory` | بر حسب بایت (مثلاً `1000000000`) | حجم حافظه اختصاصی برای cache توکن‌ها |
|
||||
| `--host` | `0.0.0.0` | برای دسترسی از سایر سیستم‌ها در شبکه |
|
||||
| `--port` | `3130` | پورت سرور API |
|
||||
| `--download-dir` | مسیر محلی | مسیر کش مدل‌ها در دیسک |
|
||||
| `--tokenizer-mode` | `cpu` یا `auto` | اجرای توکنایزر روی CPU برای صرفه‌جویی در VRAM |
|
||||
| `--quantization` | `auto`, `none`, `mxfp4` | نوع کوانتایزیشن (برای کاهش مصرف VRAM) |
|
||||
| `--enforce-eager` | بدون مقدار | اجرای ساده بدون JIT (برای دیباگ) |
|
||||
| `--max-num-seqs` | `1` | کنترل تعداد درخواست همزمان (برای کنترل حافظه) |
|
||||
| `--enable-prefix-caching` | True | فعالسازی cache پیشوند برای ورودی‌های تکراری |
|
||||
| `--chunked-prefill-enabled` | True | تقسیم ورودی‌های طولانی برای استفاده بهینه از حافظه |
|
||||
| `--served-model-name` | openrooter/gpt-oss-120b | اسمی که مدل با آن فراخوانده می شود |
|
||||
| `-O3` | -O3 | فعالسازی خودکار چندین بهینه‌سازی پیشرفته برای حداکثر throughput |
|
||||
|
||||
</div>
|
||||
</details>
|
||||
|
||||
|
||||
|
||||
## 🧠بخش 3: نمونه کانفیگ های تست شده serve با vllm
|
||||
|
||||
<details>
|
||||
<summary style="text-align: center; color: red; font-weight: bold; cursor: pointer;" > environments-base </summary>
|
||||
|
||||
|
||||
</details>
|
||||
|
||||
<details>
|
||||
<summary style="text-align: center; color: red; font-weight: bold; cursor: pointer;" > docker-base </summary>
|
||||
|
||||
</details>
|
||||
|
||||
|
||||
|
||||
</div>
|
||||
Loading…
Reference in New Issue
Block a user