昇腾 NPU 部署 Llama 2 模型：性能测试与优化实战

第一个常见的'坑'：直接运行 torch.npu.is_available() 会报错 AttributeError。 原因与解决方案：torch_npu 是一个独立的插件，必须显式导入后才能注册 NPU 后端。正确的验证方式是：

python -c "import torch; import torch_npu; print(torch.npu.is_available())"

看到 True ，恭喜你，NPU 环境准备就绪！

第二幕：模型部署——从下载到运行的'荆棘之路'

环境搞定，接下来就是请'Llama 2'这位大神上场了。

2.1 安装依赖与模型下载

安装运行 Llama 2 所必须的库，建议使用国内镜像加速：

pip install transformers accelerate -i https://pypi.tuna.tsinghua.edu.cn/simple

第二个'坑'——模型下载权限与网络。直接访问 Meta 官方的 Llama 2 仓库 (meta-llama/Llama-2-7b-hf) 需要申请权限，且国内下载速度堪忧。 解决方案：使用社区镜像版本，如 NousResearch/Llama-2-7b-hf，无需权限，下载稳定。

2.2 核心部署代码与'坑'的化解

创建一个 Python 脚本（如 llama_demo.py），以下是核心代码及注意事项：

import os
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'  # 在昇腾环境中，直接访问 HuggingFace 经常会超时，所以使用国内镜像
import torch
import torch_npu  # 切记！
from transformers import AutoModelForCausalLM, AutoTokenizer
import time

# 配置
MODEL_NAME = "NousResearch/Llama-2-7b-hf"
DEVICE = "npu:0"

print("开始加载模型...")
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,
    torch_dtype=torch.float16,  # 使用 FP16 节省显存
    low_cpu_mem_usage=True
)
print("将模型移至 NPU...")
model = model.to(DEVICE)
model.eval()  # 设置为评估模式

# 第三个'坑'：输入张量迁移
prompt = "The capital of France is"
# 错误写法：inputs = tokenizer(prompt, return_tensors="pt").npu() -> 报错！
# 正确写法：
inputs = tokenizer(prompt, return_tensors="pt").to(DEVICE)

# 推理
with torch.no_grad():
    start_time = time.time()
    outputs = model.generate(**inputs, max_new_tokens=50)
    end_time = time.time()
    generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
    print(f"生成内容：{generated_text}")
    print(f"推理耗时：{end_time - start_time:.2f} 秒")

关键点总结：

1. 在昇腾环境中，直接访问 HuggingFace 经常会超时，所以推荐使用国内镜像 https://hf-mirror.com
2. import torch_npu 必须在任何 NPU 操作之前。
3. 模型使用 model.to('npu:0') 迁移。
4. 输入数据（字典）使用 .to('npu:0') 迁移，而非不存在的 .npu() 方法。

第三幕：性能测试——揭开昇腾 NPU 的真实面纱

是骡子是马，拉出来遛遛。我设计了一个更严谨的测试脚本来评估性能。

3.1 严谨的性能测试脚本

import os
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'  # 在昇腾环境中，直接访问 HuggingFace 经常会超时，所以使用国内镜像
import torch
import torch_npu
import time
import json
from transformers import AutoModelForCausalLM, AutoTokenizer

# 配置
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
    print("预热运行...")
    for _ in range(WARMUP_RUNS):
        with torch.no_grad():
            _ = model.generate(**inputs, max_new_tokens=max_new_tokens)
    # 正式测试
    print("开始性能测试...")
    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)

3.2 测试结果与分析

在昇腾 NPU Basic 实例上，测试结果大致如下：

结果分析：

• 性能表现：吞吐量稳定在 20-30 tokens/秒 左右。这个速度对于离线批处理、内部工具开发和对实时性要求不高的场景是足够的，但与顶级消费级 GPU 相比仍有差距。
• 稳定性：在整个测试过程中，昇腾 NPU 表现出了良好的稳定性，没有出现崩溃或性能波动。
• 结论：昇腾 NPU 为运行 Llama 2 这类大模型提供了一个可行、稳定且具有高性价比（尤其考虑国产化与云上成本） 的算力选项。

第四幕：性能优化——让 Llama 跑得更快

如果对默认性能不满意，这里有几个可以尝试的优化方向：

4.1 使用昇腾原生大模型框架

针对模型量化，昇腾平台提供了专业的优化工具链。在训练或微调环节，建议使用昇腾社区提供的 MindSpeed-LLM 框架（GitCode 链接）。该框架针对昇腾硬件进行了深度优化，可高效完成大模型的训练与微调任务。

完成模型开发后，进行模型压缩与部署时，可直接使用昇腾的 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），以显著提升推理速度并减少内存占用，同时力求保持模型精度。根据昇腾社区公开的基准测试数据，在典型的大模型推理场景下，经过 Modelslim 量化后的模型，相比原生 PyTorch FP16 推理，在昇腾硬件上通常可获得 1.5 倍至 3 倍 的端到端性能提升，具体加速比因模型结构和任务复杂度而异。

4.2 INT8 量化

在第三幕中，我们建立了 FP16 精度下的性能基线。现在，我们使用昇腾的 Modelslim 工具对同一个 NousResearch/Llama-2-7b-hf 模型进行 W8A8（权重与激活值均 INT8）量化。量化完成后，我们不修改任何测试代码，仅将模型路径指向新生成的量化模型，并重新执行第三幕的测试脚本。

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

以下是量化后的性能测试结果，与第三幕形成直接对比：

4.3 启用批处理（Batch Inference）

同时处理多个请求可以大幅提升吞吐量。

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)

总结与建议

经过这一番从'踩坑'到'通关'的实战，我对昇腾 NPU 的总结如下：

• 适用场景：非常适合追求技术自主可控、预算有限、进行离线批处理或构建内部 AI 工具的团队和个人开发者。
• 生态体验：软件栈（CANN, torch_npu）日趋成熟，开源社区（Ascend Gitee）提供了宝贵的资源和支持。
• 给后来者的建议：
  1. 先从云开始：利用云平台或 ModelArts 的免费/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 昇腾官方文档，特别是版本匹配问题。
  3. 拥抱社区：遇到问题时，在昇腾社区或开源仓库的 Issue 中搜索，很可能已有解决方案。

本次部署测试证明了基于昇腾 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。

附：社区 Issue 实践

根据在模型部署过程中遇到的'输入张量迁移'典型问题，我已在昇腾 ModelZoo-PyTorch 仓库提交了详细的 Issue，包含问题分析、解决步骤与代码示例。

[Issue 链接]：https://gitee.com/Ascend/MindSpeed-LLM/issues/924