昇腾 (Ascend) NPU 实战指南：在 GitCode Notebook 中玩转 CodeLlama
1.前言
随着大模型技术在软件开发领域的深入应用，越来越多的开发者开始尝试在本地或云端环境部署代码生成模型。华为昇腾（Ascend）计算产业随着 CANN 软件栈的不断成熟，已成为运行各类开源 LLM 的重要算力底座。
本文将以 CodeLlama 这一广受欢迎的代码生成模型为核心，结合 GitCode Notebook 提供的在线开发环境，讲解如何在本地或服务器的昇腾 NPU 环境中完成从依赖配置、模型加载到代码生成的完整流程。文章将通过结构化的流程讲解与可操作的示例代码，引导你在昇腾生态中顺利完成 CodeLlama 的部署与运行。
接下来我们就开始进行动手实践吧。
GitCode官网：https://gitcode.com/。
2.GitCode Notebook 环境准备
GitCode 是面向中国开发者的一站式代码协作与模型应用平台，集成了开源仓库托管、在线运行环境、模型中心等能力。其中的 GitCode Notebook 提供了无需本地配置的云端交互式开发环境，支持直接在浏览器中编写、运行和调试代码，非常适合进行大模型试验与算子验证。
进入Gitcode官网后在个人头像这边可以找到Notebook：
进入后需要先进行激活和资源确认：
我们根据自己的需要选择对应的资源：
激活成功后进入主界面：
在主界面我们可以看见控制台，那么接下来我们就会使用控制台来做我们的实验了。
进入控制台后发现这不就是我们熟悉的命令行吗，那么接下来的话我们就正式开始吧。
进入后会发现这其实就是我们非常熟悉控制台界面：
进入 Notebook 后，第一件事不是急着写代码，而是检查底层的 NPU 状态和软件栈版本。打开 Terminal，输入以下命令：
# 查看 NPU 状态，确认芯片健康及显存占用 npu-smi info 
从输出结果中我们能够明确的看到版本号，以及功耗和温度等信息以及NPU等一切都是处于正常的状态，那么接下来的话我们就可以正式的去进行实验了。
首先我们先来进行一些必备的环境检查：
查看系统版本信息：
cat /etc/os-release 
检查python环境：
python3 --version python -c "import torch; print('PyTorch 版本:', torch.__version__)" python -c "import torch_npu; print('torch_npu 版本:', torch_npu.__version__)" 
当基础环境准备就绪后，我们就可以开始进行下一步了，在实际开发中，我们可以参考CANN官网，在官网中我们也可以找到快速入门的资料，查看我们需要安装的一些必备的依赖：
安装一些python库：
pip3 install attrs cython 'numpy>=1.19.2,<=1.24.0' decorator sympy cffi pyyaml pathlib2 psutil protobuf==3.20.0 scipy requests absl-py --user 
环境配置是重中之重，当这些都做完后，我们再进行下一步。
3.CodeLlama 模型信息
在本次实战中，我选择使用 CodeLlama，因为它是专门针对代码生成和理解优化的大语言模型，能够很好地体现大模型在实际推理任务中的表现。
接下来我们先了解一下这个模型的一些核心的信息：
模型版本与规模：CodeLlama 提供 7B、13B、34B 等多个版本，我选择了 7B 或 13B进行测试，参数量适中，方便在昇腾 NPU 上运行。
模型能力：专注于代码生成、补全和理解，支持多种编程语言，如 Python、C++、Java 等。
训练特点：在大规模文本与代码数据上预训练，并经过指令微调，使模型能够根据提示生成高质量代码。
选择理由：这个模型既能满足生成任务的复杂性，又不会因为显存过大而难以部署，非常适合用来做 NPU 性能实测。
在Hugging Face的官网里面我们可以找到相关的资料和信息：
4.模型加载
接下来环境配置和模型信息我们都有所了解了，那么现在我们就进入到模型加载的环节了。
在模型选择方面的话，我选择CodeLlama 7B-Instruct，它参数适中，既能体现推理性能，又不会因为显存不足导致无法运行。
加载 Tokenizer：
为了将输入文本转换为模型可处理的 token，我先加载 tokenizer：
from transformers import AutoTokenizer model_name = "code-llama-7b-instruct" tokenizer = AutoTokenizer.from_pretrained(model_name) 然后，我将模型加载到昇腾 NPU，并设置 FP16 精度以降低显存占用：
from transformers import AutoModelForCausalLM model = AutoModelForCausalLM.from_pretrained( model_name, device_map="auto", # 自动选择 NPU 设备 torch_dtype=torch.float16 # 使用 FP16 提升性能 ) 注：device_map="auto" 会自动把模型分配到可用的 NPU 上，同时 FP16 精度可以在保证计算精度的前提下降低显存使用。
我们接下来可以来验证一下模型是否加载成功：
import torch_npu from transformers import AutoTokenizer, AutoModelForCausalLM # 模型名称 model_name = "code-llama-7b-instruct" # 加载 tokenizer tokenizer = AutoTokenizer.from_pretrained(model_name) # 加载模型到 NPU model = AutoModelForCausalLM.from_pretrained( model_name, device_map="auto", torch_dtype=torch.float16 ) # 验证模型是否在 NPU 上 device = next(model.parameters()).device print(f"模型已加载，当前设备: {device}") # 测试一次简单推理 prompt = "def fibonacci(n):" inputs = tokenizer(prompt, return_tensors="pt").to(device) outputs = model.generate(**inputs, max_new_tokens=10) # 输出生成结果 generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True) print("生成结果:", generated_text) 运行结果：
从运行结果我们可以得知当前模型已经加载成功了。
5.基础推理演示
在完成模型加载和 SGLang 部署后，我就带大家开始进行 CodeLlama 的基础推理实验，从简单代码生成到多输入批量推理，展示 NPU 的实战效果。
先尝试最基础的单条 prompt 生成：
from transformers import AutoTokenizer, AutoModelForCausalLM model_name = "code-llama-7b-instruct" tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForCausalLM.from_pretrained( model_name, device_map="auto", torch_dtype="torch.float16" ) # 简单 prompt prompt = "def fibonacci(n):" # Tokenize 并移动到 NPU inputs = tokenizer(prompt, return_tensors="pt").to(next(model.parameters()).device) # 执行推理 outputs = model.generate(**inputs, max_new_tokens=50) generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True) print("生成结果:\n", generated_text) 运行结果：
批量推理：
在实际场景中，我们经常需要同时处理多条请求，我尝试批量推理：
prompts = [ "def factorial(n):", "def quicksort(arr):", "def gcd(a, b):" ] # 批量 token 化 inputs = tokenizer(prompts, return_tensors="pt", padding=True).to(next(model.parameters()).device) # 批量生成 outputs = model.generate(**inputs, max_new_tokens=50) # 输出每条结果 for i, output in enumerate(outputs): text = tokenizer.decode(output, skip_special_tokens=True) print(f"\nPrompt {i+1} 生成结果:\n{text}") 运行结果：
控制生成风格和长度：
还可以通过调整生成参数优化结果，例如：
outputs = model.generate( **inputs, max_new_tokens=100, # 最大生成长度 temperature=0.7, # 控制生成随机性 top_p=0.9, # nucleus sampling do_sample=True ) for i, output in enumerate(outputs): text = tokenizer.decode(output, skip_special_tokens=True) print(f"\nPrompt {i+1} 生成结果 (控制风格):\n{text}") 运行结果：
多轮推理：
在实际开发中，模型经常用于 多轮交互，例如根据不断变化的需求生成或优化代码。接下来我们写一个代码案例展示如何实现多轮对话式推理：
# 初始对话：生成一个 Python 函数计算平方根 conversation = ["# 请写一个 Python 函数计算平方根"] for i in range(2): # 将对话内容 token 化并移动到 NPU inputs = tokenizer(conversation, return_tensors="pt", padding=True).to(next(model.parameters()).device) # 执行生成 outputs = model.generate(**inputs, max_new_tokens=50) # 解码生成结果 reply = tokenizer.decode(outputs[0], skip_special_tokens=True) print(f"\n第 {i+1} 轮生成:\n{reply}") # 将模型输出追加到对话中，用于下一轮生成 conversation.append(reply) 运行结果：
6.性能测试
在完成模型加载和部署后，我们对 CodeLlama 的推理性能进行了评估。测试中使用了一个包含多个 Python 函数的 prompt 列表，通过批量输入测量模型生成结果的延迟和吞吐量。每次生成的最大 token 数设置为 50，模拟常见的代码生成场景。
示例代码：
import time from transformers import AutoTokenizer, AutoModelForCausalLM model_name = "code-llama-7b-instruct" tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForCausalLM.from_pretrained( model_name, device_map="auto", torch_dtype="torch.float16" ) prompts = [ "def fibonacci(n):", "def factorial(n):", "def quicksort(arr):", "def gcd(a, b):", "def is_prime(n):" ] # 批量 token 化并移动到 NPU inputs = tokenizer(prompts, return_tensors="pt", padding=True).to(next(model.parameters()).device) num_trials = 5 total_time = 0.0 for i in range(num_trials): start_time = time.time() outputs = model.generate(**inputs, max_new_tokens=50) end_time = time.time() elapsed = end_time - start_time total_time += elapsed print(f"Trial {i+1}: {elapsed:.3f} s") avg_time = total_time / num_trials num_tokens = sum(len(tokenizer.decode(output, skip_special_tokens=True)) for output in outputs) throughput = num_tokens / avg_time print(f"\n平均延迟: {avg_time:.3f} s") print(f"吞吐量: {throughput:.1f} 字符/s") 在执行过程中，每次生成的延迟都被记录下来，并计算了多次试验的平均延迟。通过解码生成结果，可以统计生成字符数量，从而得到吞吐量。
执行结果：
从实际测试结果来看，CodeLlama 在昇腾 NPU 上的单次生成延迟稳定在几十毫秒级别，平均延迟仅 0.110 秒；同时还能达到 4727.2 字符 / 秒的较高吞吐量，足以支撑多 prompt 并行处理的场景需求。
7.总结
在本篇文章中，我们主要使用了 GitCode Notebook 作为开发环境。对于希望快速体验和操作昇腾 NPU 的开发者来说，Notebook 提供了即开即用的环境，无需依赖本地硬件或复杂配置。在 GitCode Notebook 的昇腾环境中部署 CodeLlama 并不复杂，同时也有一些需要注意的环节。整体来看，昇腾已经能够比较稳定地承载主流代码生成模型的推理任务，而 GitCode Notebook 则显著降低了上手门槛，让开发者能够更多地专注于模型本身，而非环境搭建。
