昇腾 NPU 部署 Llama 2 模型：性能测试与优化实战

关键点总结：

1. 访问 HuggingFace 超时，推荐使用国内镜像 https://hf-mirror.com。
2. import torch_npu 必须在任何 NPU 操作之前。
3. 模型和数据均使用 .to('npu:0') 迁移，而非不存在的 .npu() 方法。

性能测试

设计严谨的测试脚本评估性能，包含预热和正式测试轮次。

import os
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
import torch
import torch_npu
import time
from transformers import AutoModelForCausalLM, AutoTokenizer

MODEL_NAME = "NousResearch/Llama-2-7b-hf"
DEVICE = "npu:0"
WARMUP_RUNS = 3
TEST_RUNS = 5

def load_model():
    print("加载模型与分词器...")
    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()
    return model, tokenizer

def benchmark(prompt, model, tokenizer, max_new_tokens=100):
    inputs = tokenizer(prompt, return_tensors="pt").to(DEVICE)
    
    # 预热
    for _ in range(WARMUP_RUNS):
        with torch.no_grad():
            _ = model.generate(**inputs, max_new_tokens=max_new_tokens)
    
    # 正式测试
    latencies = []
    for i in range(TEST_RUNS):
        torch.npu.synchronize()  # 同步，确保计时准确
        start = time.time()
        with torch.no_grad():
            _ = model.generate(**inputs, max_new_tokens=max_new_tokens)
        torch.npu.synchronize()
        end = time.time()
        latency = end - start
        latencies.append(latency)
        print(f" 第{i+1}次耗时：{latency:.2f}s")
    
    avg_latency = sum(latencies) / len(latencies)
    throughput = max_new_tokens / avg_latency
    return throughput, avg_latency

if __name__ == "__main__":
    model, tokenizer = load_model()
    test_cases = [
        {"场景": "英文生成", "提示": "The future of artificial intelligence is", "长度": 100},
        {"场景": "中文问答", "提示": "请用简单的话解释量子计算：", "长度": 100},
        {"场景": "代码生成", "提示": "Write a Python function to reverse a string:", "长度": 150},
    ]
    
    print("\n" + "=" * 50)
    print("性能测试结果")
    print("=" * 50)
    for case in test_cases:
        throughput, avg_latency = benchmark(case["提示"], model, tokenizer, case["长度"])
        print(f"- {case['场景']}:")
        print(f"  平均延迟：{avg_latency:.2f}s")
        print(f"  吞吐量：{throughput:.2f} tokens/s")
    print("=" * 50)

在 Ascend 910B 实例上，FP16 精度下测试结果大致如下：

结果分析：吞吐量稳定在 20-30 tokens/秒左右。对于离线批处理、内部工具开发和对实时性要求不高的场景足够，但与顶级消费级 GPU 相比仍有差距。整体稳定性良好。

性能优化

若对默认性能不满意，可尝试以下方向：

使用原生框架

针对量化，昇腾平台提供了专业优化工具链。训练或微调环节建议使用昇腾社区提供的 MindSpeed-LLM 框架。该框架针对昇腾硬件深度优化，可高效完成大模型的训练与微调任务。

模型压缩与部署时，可使用 Modelslim 工具进行量化。该工具能有效降低模型精度（如从 FP16/BF16 量化至 INT8），显著提升推理速度并减少内存占用。

INT8 量化

建立 FP16 基线后，使用 Modelslim 对模型进行 W8A8 量化。量化完成后，仅修改模型路径指向新生成的量化模型，重新执行测试脚本。

from transformers import BitsAndBytesConfig
quantization_config = BitsAndBytesConfig(load_in_8bit=True)
model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,
    quantization_config=quantization_config,
    device_map="auto"
)

量化后性能对比：

启用批处理

同时处理多个请求可大幅提升吞吐量：

prompts = ["Prompt 1", "Prompt 2", "Prompt 3", "Prompt 4"]
inputs = tokenizer(prompts, return_tensors="pt", padding=True).to(DEVICE)
outputs = model.generate(**inputs, max_new_tokens=100)

总结

基于昇腾 NPU 部署和运行 Llama 2 大模型是一条完全可行的技术路径。虽然绝对性能并非顶尖，但其在成本、自主可控和稳定性方面的优势，使其在 AI 算力多元化的今天，成为一个不容忽视的选择。

给后来者的建议：

1. 先从云开始：利用免费或低成本资源验证方案，再决定是否投入硬件。
2. 仔细阅读文档：关注官方文档，特别是版本匹配问题。
3. 拥抱社区：遇到问题时，在社区搜索，很可能已有解决方案。