mirror of
https://github.com/PaddlePaddle/FastDeploy.git
synced 2026-04-23 00:17:25 +08:00
chen
128 lines
14 KiB
Markdown
128 lines
14 KiB
Markdown
[English](../parameters.md)
|
||
|
||
# FastDeploy参数说明
|
||
|
||
在使用FastDeploy部署模型（包括离线推理、服务化部署），涉及如下参数配置，其实需要注意，在使用离线推理时，各参数配置即为如下参数名；而在使用命令行启动服务时，相应参数中的分隔符需要从```_```修改为```-```，如```max_model_len```在命令行中则为```--max-model-len```。
|
||
|
||
| 参数名 | 类型 | 说明 |
|
||
|:-----------------------------------|:----------| :----- |
|
||
| ```port``` | `int` | 仅服务化部署需配置，服务HTTP请求端口号，默认8000 |
|
||
| ```metrics_port``` | `int` | 仅服务化部署需配置，服务监控Metrics端口号，默认None（与主端口共用） |
|
||
| ```max_waiting_time``` | `int` | 仅服务化部署需配置，服务请求建立连接最大等待时间，默认-1 表示无等待时间限制|
|
||
| ```max_concurrency``` | `int` | 仅服务化部署需配置，服务实际建立连接数目，默认512 |
|
||
| ```engine_worker_queue_port``` | `list[int]` | FastDeploy内部引擎进程通信端口列表，会根据data_parallel_size自动分配 |
|
||
| ```cache_queue_port``` | `list[int]` | FastDeploy内部KVCache进程通信端口列表，会根据data_parallel_size自动分配 |
|
||
| ```max_model_len``` | `int` | 推理默认最大支持上下文长度，默认2048 |
|
||
| ```tensor_parallel_size``` | `int` | 模型默认张量并行数，默认1 |
|
||
| ```data_parallel_size``` | `int` | 模型默认数据并行数，默认1 |
|
||
| ```block_size``` | `int` | KVCache管理粒度(Token数)，推荐默认值64 |
|
||
| ```max_num_seqs``` | `int` | Decode阶段最大的并发数，默认为8 |
|
||
| ```mm_processor_kwargs``` | `dict[str]` | 多模态处理器参数配置，如：{"image_min_pixels": 3136, "video_fps": 2} |
|
||
| ```tokenizer``` | `str` | tokenizer 名或路径，默认为模型路径 |
|
||
| ```use_warmup``` | `int` | 是否在启动时进行warmup，会自动生成极限长度数据进行warmup，默认0（不启用） |
|
||
| ```limit_mm_per_prompt``` | `dict[str]` | 限制每个prompt中多模态数据的数量，如：{"image": 10, "video": 3}，默认都为1 |
|
||
| ```enable_mm``` | `bool` | __[已废弃]__ 是否支持多模态数据（仅针对多模模型），模型架构会自动检测是否为多模态模型，无需手动设置 |
|
||
| ```quantization``` | `str` | 模型量化策略，当在加载BF16 CKPT时，指定wint4、wint8、block_wise_fp8、wfp8afp8时，支持权重无损在线4bit/8bit量化，默认不量化KVCache。如果该参数会被解析为dict，可指定`mix_quant`混合量化，其中`dense_quant_type`、`moe_quant_type`和`kv_cache_quant_type`分别指定DenseGEMM、MOE和KVCache量化类型，缺省时不量化，如`'{"quantization":"mix_quant","dense_quant_type":"wint8","moe_quant_type":"wint4","kv_cache_quant_type":"block_wise_fp8"}'`，注：仅AppendAttn后端支持KVCache在线量化`block_wise_fp8` |
|
||
| ```gpu_memory_utilization``` | `float` | GPU显存利用率，默认0.9 |
|
||
| ```num_gpu_blocks_override``` | `int` | 预分配KVCache块数，此参数可由FastDeploy自动根据显存情况计算，无需用户配置，默认为None |
|
||
| ```max_num_batched_tokens``` | `int` | Prefill阶段最大Batch的Token数量，默认为None(与max_model_len一致) |
|
||
| ```kv_cache_ratio``` | `float` | KVCache块按kv_cache_ratio比例分给Prefill阶段和Decode阶段, 默认0.75 |
|
||
| ```enable_prefix_caching``` | `bool` | 是否开启Prefix Caching，默认True（GPU/XPU/HPU平台），其他平台默认False |
|
||
| ```swap_space``` | `float` | 开启Prefix Caching时，用于swap KVCache的CPU内存大小，单位GB，默认None |
|
||
| ```enable_chunked_prefill``` | `bool` | 开启Chunked Prefill，默认False |
|
||
| ```max_num_partial_prefills``` | `int` | 开启Chunked Prefill时，Prefill阶段的最大并发数，默认1 |
|
||
| ```max_long_partial_prefills``` | `int` | 开启Chunked Prefill时，Prefill阶段并发中包启的最多长请求数，默认1 |
|
||
| ```long_prefill_token_threshold``` | `int` | 开启Chunked Prefill时，请求Token数超过此值的请求被视为长请求，默认为max_model_len*0.04 |
|
||
| ```static_decode_blocks``` | `int` | 推理过程中，每条请求强制从Prefill的KVCache分配对应块数给Decode使用，默认2|
|
||
| ```reasoning_parser``` | `str` | 指定要使用的推理解析器，以便从模型输出中提取推理内容 |
|
||
| ```use_cudagraph``` | `bool` | __[已废弃，从2.3版本开始]__ CUDAGraph 默认开启，现在通过 `graph_optimization_config` 中的 `use_cudagraph` 参数控制，详细说明参考 [graph_optimization.md](./features/graph_optimization.md) |
|
||
| ```graph_optimization_config``` | `dict[str]` | 可以配置计算图优化相关的参数，默认值为'{"use_cudagraph":true, "graph_opt_level":0}'，详细说明参考 [graph_optimization.md](./features/graph_optimization.md)|
|
||
| ```disable_custom_all_reduce``` | `bool` | 关闭Custom all-reduce，默认False |
|
||
| ```use_internode_ll_two_stage``` | `bool` | 是否在DeepEP MoE中使用两阶段通信, default: False |
|
||
| ```disable_sequence_parallel_moe``` | `bool` | 禁止在TP+EP中使用序列并行优化, default: False |
|
||
| ```splitwise_role``` | `str` | 是否开启splitwise推理，默认值mixed， 支持参数为["mixed", "decode", "prefill"] |
|
||
| ```innode_prefill_ports``` | `str` | prefill 实例内部引擎启动端口 （仅单机PD分离需要），默认值None |
|
||
| ```guided_decoding_backend``` | `str` | 指定要使用的guided decoding后端，支持 `auto`、`xgrammar`、 `guidance`、`off`, 默认为 `off` |
|
||
| ```guided_decoding_disable_any_whitespace``` | `bool` | guided decoding期间是否禁止生成空格，默认False |
|
||
| ```speculative_config``` | `dict[str]` | 投机解码配置，仅支持标准格式json字符串，默认为None |
|
||
| ```dynamic_load_weight``` | `bool` | 是否动态加载权重，默认False |
|
||
| ```enable_expert_parallel``` | `bool` | 是否启用专家并行，默认False |
|
||
| ```enable_logprob``` | `bool` | 是否启用输出token返回logprob，默认False。如果不需要使用logprob，则在启动时可以省略此参数 |
|
||
| ```logprobs_mode``` | `str` | 指定logprobs中返回的内容，默认`raw_logprobs`。支持的模式：`raw_logprobs`、`processed_logprobs`、`raw_logits`、`processed_logits`。processed表示logits应用温度、惩罚、禁止词处理后计算的logprobs|
|
||
| ```max_logprobs``` | `int` | 服务支持返回的最大logprob数量，默认20。-1表示词表大小。 |
|
||
| ```served_model_name``` | `str` | API 中使用的模型名称，如果未指定，模型名称将与--model参数相同 |
|
||
| ```revision``` | `str` | 自动下载模型时，用于指定模型的Git版本，分支名或tag |
|
||
| ```chat_template``` | `str` | 指定模型拼接使用的模板，支持字符串与文件路径，默认为None，如未指定，则使用模型默认模板 |
|
||
| ```tool_call_parser``` | `str` | 指定要使用的function call解析器，以便从模型输出中抽取 function call内容|
|
||
| ```tool_parser_plugin``` | `str` | 指定要注册的tool parser文件路径，以便注册不在代码库中的parser，parser中代码格式需遵循代码库中格式|
|
||
| ```load_choices``` | `str` | 权重加载器选择，默认使用"default_v1"。支持"default"和"default_v1"，后者用于加载torch权重和权重加速|
|
||
| ```max_encoder_cache``` | `int` | 编码器缓存的最大token数（使用0表示禁用），默认-1（自动计算）|
|
||
| ```max_processor_cache``` | `float` | 处理器缓存的最大字节数（以GiB为单位，使用0表示禁用），默认-1（自动计算）|
|
||
| ```api_key``` |`list[str]`| 校验服务请求头中的API密钥，支持传入多个密钥；与环境变量`FD_API_KEY`中的值效果相同，且优先级高于环境变量配置|
|
||
| ```enable_output_caching``` | `bool` | 是否启用输出tokens的KV缓存，仅在V1调度器（ENABLE_V1_KVCACHE_SCHEDULER=1）下有效，默认True |
|
||
| ```workers``` | `int` | 仅服务化部署需配置，API服务器worker进程数量，默认1 |
|
||
| ```timeout``` | `int` | 仅服务化部署需配置，worker静默超时时间（秒），设置为0表示禁用超时，默认0 |
|
||
| ```timeout_graceful_shutdown``` | `int` | 仅服务化部署需配置，优雅关闭超时时间（秒），设置为0表示无限超时，默认0 |
|
||
| ```router``` | `str` | 路由服务器URL，用于splitwise部署中的请求路由，如 `http://127.0.0.1:8000` |
|
||
| ```disable_chunked_mm_input``` | `bool` | 禁用多模态输入的分块处理，默认False |
|
||
| ```logits_processors``` | `list[str]` | 服务支持的logits处理器的完全限定类名（FQCN）列表，如 `fastdeploy.model_executor.logits_processor:LogitBiasLogitsProcessor` |
|
||
|
||
## 1. KVCache分配与```num_gpu_blocks_override```、```block_size```的关系？
|
||
|
||
FastDeploy在推理过程中，显存被```模型权重```、```预分配KVCache块```和```模型计算中间激活值```占用。其中预分配KVCache块由```num_gpu_blocks_override```决定，其单位为```block_size```(默认64），即一个块可以存储64个Token的KVCache。
|
||
|
||
在实际推理中，用户很难知道```num_gpu_blocks_override```到底该配置到多少合适，因此FastDeploy采用如下方式来自动推导并配置这个值，流程如下:
|
||
- 加载模型，在完成模型加载后，记录当前显存占用情况```total_memory_after_load```和FastDeploy框架占用的显存值```fd_memory_after_load```; 注意前者为GPU实际被占用显存（可能有其它进程也占用），后者是FD框架本身占用显存；
|
||
|
||
- 根据用户配置的```max_num_batched_tokens```(默认为```max_model_len```)，Fake相应长度的输入数据进行Prefill计算，记录当前FastDeploy框架显存最大分配值```fd_memory_after_prefill```，因此可以认为```模型计算中间激活值```为```fd_memory_after_prefill - fd_memory_after_load```;
|
||
- 截止当前，认为GPU卡可以剩分配KVCache的显存(以A800 80G为例)为```80GB * gpu_memory_utilization - total_memory_after_load - (fd_memory_after_prefill - fd_memory_after_load)```
|
||
- 根据模型KVCache的精度（如8bit/16bit)，计算一个block占用的KVCache大小，从而计算出总共可分配的block数量，赋值给```num_gpu_blocks_override```
|
||
|
||
> 在服务启动日志中，我们可以在log/fastdeploy.log中找到```Reset block num, the total_block_num:17220, prefill_kvcache_block_num:12915```，其中```total_block_num```即为自动计算出来的KVCache block数量，将其乘以```block_size```即可知道整个服务可以缓存多少Token的KV值。
|
||
|
||
## 2. ```kv_cache_ratio```、```block_size```、```max_num_seqs```的关系？
|
||
- FastDeploy里面将KVCache按照```kv_cache_ratio```分为Prefill阶段使用和Decode阶段使用，在配置这个参数时，可以按照```kv_cache_ratio = 平均输入Token数/(平均输入+平均输出Token数)```进行配置，常规情况输入是输出的3倍，因此可以配置成0.75
|
||
- ```max_num_seqs```是Decode阶段的最大并发数，一般而言可以配置成最大值128，但用户也可以根据KVCache情况作调用，例如输出的KVCache Token量为```decode_token_cache = total_block_num * (1 - kv_cache_ratio) * block_size```，为了防止极端情况下的显存不足问题，可以配置```max_num_seqs = decode_token_cache / 平均输出Token数```，不高于128即可。
|
||
|
||
## 3. ```enable_chunked_prefill```参数配置说明
|
||
|
||
当启用 `enable_chunked_prefill` 时，服务通过动态分块处理长输入序列，显著提升GPU资源利用率。在此模式下，原有 `max_num_batched_tokens` 参数不再约束预填充阶段的批处理token数量（限制单次prefill的token数量），因此引入 `max_num_partial_prefills` 参数，专门用于限制同时处理的分块批次数。
|
||
|
||
为优化短请求的调度优先级，新增 `max_long_partial_prefills` 与 `long_prefill_token_threshold` 参数组合。前者限制单个预填充批次中的长请求数量，后者定义长请求的token阈值。系统会优先保障短请求的批处理空间，从而在混合负载场景下降低短请求延迟，同时保持整体吞吐稳定。
|
||
|
||
## 4. ```api_key``` 参数使用说明
|
||
|
||
启动参数多值配置方式， 优先级高于环境变量中配置。
|
||
```bash
|
||
--api-key "key1"
|
||
--api-key "key2"
|
||
```
|
||
环境变量多值配置方式，使用逗号分隔
|
||
```bash
|
||
export FD_API_KEY="key1,key2"
|
||
```
|
||
|
||
使用 Curl 命令请求时，增加 API_KEY头信息，进行请求合法性校验。匹配任一```api_key```即可。
|
||
```bash
|
||
curl -X POST "http://0.0.0.0:8265/v1/chat/completions" \
|
||
-H "Content-Type: application/json" \
|
||
-H "Authorization: Bearer key1" \
|
||
-d '{
|
||
"messages": [
|
||
{"role": "user", "content":"你好"}
|
||
],
|
||
"stream": false,
|
||
"return_token_ids": true,
|
||
"chat_template_kwargs": {"enable_thinking": true}
|
||
}'
|
||
```
|
||
解析`Authorization: Bearer` 后 `key1`进行校验。
|
||
|
||
使用 openai sdk 进行请求时，需要传`api_key`参数。
|
||
```python
|
||
client = OpenAI(
|
||
api_key="your-api-key-here",
|
||
base_url="http://localhost:8000/v1"
|
||
)
|
||
```
|