下载镜像。

• 官方triton镜像24.02，对应TensorRT-LLM版本为0.8.0，不含TensorRT-LLM开发包。

  docker pull nvcr.io/nvidia/tritonserver:24.02-trtllm-python-py3

• 对于Windows用户想体验tritonserver部署的，或者无GPU的用户，可以使用AutoDL镜像，含tritonserver，版本为24.02（对应tensorrt_llm 0.8.0)，链接，注：该链接包含完整编译教程。

拉取本项目代码

git clone https://github.com/Tlntin/Qwen-TensorRT-LLM.git
cd Qwen-TensorRT-LLM

进入项目目录，然后创建并启动容器，同时将本地examples代码路径映射到/app/tensorrt_llm/examples路径，然后打开8000和7860端口的映射，方便调试api和web界面。

docker run --gpus all \
  --name trt_llm \
  -d \
  --ipc=host \
  --ulimit memlock=-1 \
  --restart=always \
  --ulimit stack=67108864 \
  -p 8000:8000 \
  -p 7860:7860 \
  -v ${PWD}/examples:/app/tensorrt_llm/examples \
  nvcr.io/nvidia/tritonserver:24.02-trtllm-python-py3 sleep 8640000

进入docker容器里面的qwen2路径，

• 使用pip直接安装官方编译好的tensorrt_llm

  pip install tensorrt_llm==0.8.0 --extra-index-url https://pypi.nvidia.com --extra-index-url https://download.pytorch.org/whl/cu121

• 安装提供的Python依赖

  cd /app/tensorrt_llm/examples/qwen2/
  pip install -r requirements.txt

• 升级transformers版本，qwen2最低需要4.37以上版本，如果有警告依赖不匹配可以忽略。

  pip install "transformers>=4.37"

从HuggingFace下载模型（暂时不支持其他平台），例如QWen1.5-7B-Chat模型，然后将文件夹重命名为qwen1.5_7b_chat，最后放到examples/qwen2/路径下即可。

修改编译参数（可选）

• 默认编译参数，包括batch_size, max_input_len, max_new_tokens, seq_length都存放在default_config.py中
• 默认模型路径，包括hf_model_dir（模型路径）和tokenizer_dir（分词器路径）以及int4_gptq_model_dir（手动gptq量化输出路径），可以改成你自定义的路径。
• 对于24G显存用户，直接编译即可，默认是fp16数据类型，max_batch_size=2
• 对于低显存用户，可以降低max_batch_size=1，或者继续降低max_input_len, max_new_tokens

编译。

• 编译fp16（注：--remove_input_padding和--enable_context_fmha为可选参数，可以一定程度上节省显存）。

  python3 build.py --remove_input_padding --enable_context_fmha

• 编译 int8 (weight only)。

  python3 build.py --use_weight_only --weight_only_precision=int8

• 编译int4 (weight only)

  python3 build.py --use_weight_only --weight_only_precision=int4

• 对于如果单卡装不下，又不想用int4/int8量化，可以选择尝试tp = 2，即启用两张GPU进行编译 （注：tp功能目前只支持从Huggingface格式构建engine）

  python3 build.py --world_size 2 --tp_size 2

运行。编译完后，再试跑一下，输出Output: "您好，我是来自达摩院的大规模语言模型，我叫通义千问。"这说明成功。

• tp = 1（默认单GPU）时使用python直接运行run.py

  python3 run.py

• tp = 2（2卡用户，或者更多GPU卡）时，使用mpirun命令来运行run.py

  mpirun -n 2 --allow-run-as-root python run.py

• 使用官方24.02容器多卡可能会报错，提示：Failed, NCCL error /home/jenkins/agent/workspace/LLM/release-0.8/L0_PostMerge/tensorrt_llm/cpp/tensorrt_llm/plugins/ncclPlugin/allreducePlugin.cpp:183 'unknown result code',需要安装nccl2.20.3-1（使用压缩包，解压后导入系统环境变量或者使用apt命名安装均可），安装后即可正常运行。

  export LD_LIBRARY_PATH=nccl_2.20.3-1+cuda12.3_x86_64/lib/:$LD_LIBRARY_PATH
  # 或者，推荐下面这种
  apt-get install -y --no-install-recommends libnccl2=2.20.3-1+cuda12.3 libnccl-dev=2.20.3-1+cuda12.3 -y

验证模型精度。可以试试跑一下summarize.py，对比一下huggingface和trt-llm的rouge得分。这一步需要在线下载数据集，对于网络不好的用户，可以参考该方法：datasets离线加载huggingface数据集方法

• 跑hugggingface版

  python3 summarize.py --test_hf

• 跑trt-llm版

  python3 summarize.py --test_trt_llm

• 一般来说，如果trt-llm的rouge分数和huggingface差不多，略低一些（1以内）或者略高一些（2以内），则说明精度基本对齐。

测量模型吞吐速度和生成速度。需要下载ShareGPT_V3_unfiltered_cleaned_split.json这个文件。

• 可以通过wget/浏览器直接下载，下载链接

• 也可通过百度网盘下载，链接: https://pan.baidu.com/s/12rot0Lc0hc9oCb7GxBS6Ng?pwd=jps5 提取码: jps5

• 下载后同样放到examples/qwen2/路径下即可

• 测量前，如果需要改max_input_length/max_new_tokens，可以直接改default_config.py即可。一般不推荐修改，如果修改了这个，则需要重新编译一次trt-llm，保证两者输入数据集长度统一。

• 测量huggingface模型

  python3 benchmark.py --backend=hf --dataset=ShareGPT_V3_unfiltered_cleaned_split.json --hf_max_batch_size=1

• 测量trt-llm模型 (注意：--trt_max_batch_size不应该超过build时候定义的最大batch_size，否则会出现内存错误。)

  python3 benchmark.py --backend=trt_llm --dataset=ShareGPT_V3_unfiltered_cleaned_split.json --trt_max_batch_size=1

注意：运行Smooth Quant需要将huggingface模型完全加载到GPU里面，用于构建int8标定数据集，所以需要提前确保你的显存够大，能够完全加载整个模型。

将Huggingface格式的数据转成FT(FastTransformer)需要的数据格式，这一步需要在线下载数据集，对于网络不好的用户，可以参考该方法：datasets离线加载huggingface数据集方法

• 单卡

  python3 hf_qwen_convert.py --smoothquant=0.5

• 多卡（以2卡为例）

  python3 hf_qwen_convert.py --smoothquant=0.5 --tensor-parallelism=2

开始编译trt_engine

• 单卡

  python3 build.py --use_smooth_quant --per_token --per_channel

• 多卡（以2卡为例）

  python3 build.py --use_smooth_quant --per_token --per_channel --world_size 2 --tp_size 2

编译完成，run/summarize/benchmark等等都和上面的是一样的了。

注意：运行int8-kv-cache需要将huggingface模型完全加载到GPU里面，用于构建int8标定数据集，所以需要提前确保你的显存够大，能够完全加载整个模型。

将Huggingface格式的数据转成FT(FastTransformer)需要的数据格式。

• 单卡

  python3 hf_qwen_convert.py --calibrate-kv-cache

• 多卡（以2卡为例）

  python3 hf_qwen_convert.py --calibrate-kv-cache --tensor-parallelism=2

编译int8 weight only + int8-kv-cache

• 单卡

  python3 build.py --use_weight_only --weight_only_precision=int8 --int8_kv_cache

• 多卡（以2卡为例）

  python3 build.py --use_weight_only --weight_only_precision=int8 --int8_kv_cache --world_size 2 --tp_size 2

需要安装auto-gptq模块，并且升级transformers模块版本到最新版（建议optimum和transformers都用最新版，否则可能有乱码问题），参考issue/68。（注：安装完模块后可能会提示tensorrt_llm与其他模块版本不兼容，可以忽略该警告）

pip install auto-gptq optimum
pip install transformers -U

手动获取标定权重（可选）

• 转权重获取scale相关信息，默认使用GPU进行校准，需要能够完整加载模型。（注：对于Qwen-7B-Chat V1.0，可以加上--device=cpu来尝试用cpu标定，但是时间会很长）

  python3 gptq_convert.py

• 编译TensorRT-LLM Engine

  python build.py --use_weight_only \
            --weight_only_precision int4_gptq \
            --per_group

• 如果想要节省显存（注：只能用于单batch），可以试试加上这俩参数来编译Engine

  python build.py --use_weight_only \
            --weight_only_precision int4_gptq \
            --per_group \
            --remove_input_padding \
            --enable_context_fmha

使用官方int4权重，例如Qwen-xx-Chat-Int4模型（推荐）

• 编译模型，注意设置hf模型路径和--quant_ckpt_path量化后权重路径均设置为同一个路径，下面是32b-gptq-int4模型的示例（其他gptq-int4模型也是一样操作）

  python build.py --use_weight_only \
            --weight_only_precision int4_gptq \
            --per_group \
            --hf_model_dir Qwen1.5-32B-Chat-GPTQ-Int4 \
            --quant_ckpt_path Qwen1.5-32B-Chat-GPTQ-Int4

• 运行模型，这里需要指定一下tokenizer路径

  python3 run.py --tokenizer_dir=Qwen1.5-32B-Chat-GPTQ-Int4