在昇腾 NPU 上部署 Llama 大模型实战指南

注意：输入张量转移设备应使用 .to('npu:0')，而非 .npu()。

五、性能测试与优化

1. 完整测试脚本

包含预热、同步计时及多场景测试（英文生成、中文对话、代码生成）。

import torch
import torch_npu
import time
import json
from datetime import datetime
from transformers import AutoModelForCausalLM, AutoTokenizer

MODEL_NAME = "NousResearch/Llama-2-7b-hf"
DEVICE = "npu:0"
WARMUP_RUNS = 3
TEST_RUNS = 10

def load_model_and_tokenizer(model_name):
    print(f"正在加载模型 {model_name}...")
    tokenizer = AutoTokenizer.from_pretrained(model_name)
    model = AutoModelForCausalLM.from_pretrained(
        model_name,
        torch_dtype=torch.float16,
        low_cpu_mem_usage=True
    ).to(DEVICE)
    model.eval()
    print(f"显存占用：{torch.npu.memory_allocated()/1e9:.2f}GB")
    return model, tokenizer

def benchmark(prompt, tokenizer, model, max_new_tokens=100):
    inputs = tokenizer(prompt, return_tensors="pt").to(DEVICE)
    for _ in range(WARMUP_RUNS):
        with torch.no_grad():
            _ = model.generate(**inputs, max_new_tokens=max_new_tokens, do_sample=False, pad_token_id=tokenizer.eos_token_id)
    
    latencies = []
    for i in range(TEST_RUNS):
        torch.npu.synchronize()
        start_time = time.time()
        with torch.no_grad():
            outputs = model.generate(**inputs, max_new_tokens=max_new_tokens, do_sample=False, pad_token_id=tokenizer.eos_token_id)
        torch.npu.synchronize()
        end_time = time.time()
        latency = end_time - start_time
        latencies.append(latency)
    
    avg_latency = sum(latencies) / len(latencies)
    throughput = max_new_tokens / avg_latency
    return {
        "prompt": prompt,
        "平均延迟 (秒)": round(avg_latency, 2),
        "平均吞吐量 (tokens/秒)": round(throughput, 2),
        "显存占用 (GB)": round(torch.npu.memory_allocated()/1e9, 2)
    }

if __name__ == "__main__":
    model, tokenizer = load_model_and_tokenizer(MODEL_NAME)
    test_cases = [
        {"场景": "英文短文本生成", "输入": "The capital of France is", "生成长度": 100},
        {"场景": "中文对话", "输入": "请解释什么是人工智能：", "生成长度": 100},
        {"场景": "代码生成", "输入": "Write a Python function to calculate fibonacci:", "生成长度": 150}
    ]
    results = []
    for case in test_cases:
        result = benchmark(case["输入"], tokenizer, model, case["生成长度"])
        result["场景"] = case["场景"]
        results.append(result)
        print(f"{case['场景']}：{result['平均吞吐量 (tokens/秒)']} tokens/秒")

2. 测试结果

实测吞吐量约为 16-17 tokens/s，性能稳定。

3. 优化建议

1. MindSpeed-LLM 框架：昇腾官方框架，针对 NPU 深度优化。
2. INT8 量化：减少显存占用并提升速度。
3. 批处理推理：增加 batch size 可显著提升吞吐量。

六、常见问题总结

1. torch.npu 找不到：必须显式 import torch_npu。
2. tokenizer.npu() 不存在：使用 .to('npu:0') 转移数据。
3. 模型下载权限：使用开源镜像版本代替官方仓库。
4. 网络超时：设置 HF_ENDPOINT 或使用 ModelScope 镜像。

七、总结

昇腾 NPU 适合对供应链自主可控有要求的政企项目或预算有限的团队。云上测试成本低，流程相对成熟，但需注意环境配置细节。性能虽略低于顶级 NVIDIA GPU，但在特定场景下性价比突出。