1. 引言
最近在部署Qwen模型时，文档上有提到强烈建议用vLLM来部署模型，按照公开的性能测试数据，用vLLM部署Qwen模型的文本推理速度要比transformers部署快3~4倍。带着这个好奇就开始安装尝试，但试下来这个安装过程并没有那么顺利，便有了此文来记录整个环境搭建的过程。
vLLM是伯克利大学LMSYS组织开源的大语言模型高速推理框架，利用了全新的注意力算法「PagedAttention」，有效地管理Attention中的K和V。在吞吐量方面，vLLM的性能比HuggingFace Transformers(HF)高出 24 倍，文本生成推理（TGI）高出3.5倍。
2. vLLM环境要求
vLLM的安装指导说明上对python和cuda有着明确的版本要求，如下面截图所示：
vLLM安装指导地址：https://docs.vllm.ai/en/latest/getting_started/installation.html
首先是python，由于前面在不知情的情况下，已经安装了最新的python3.12版本，那就只能新创建一个3.10的虚拟环境。
conda及虚拟环境的创建请参考：conda环境搭建笔记
其次是cuda，vLLM是拿12.1版本编译的，但本地机器装的cuda为12.0，尝试过向下兼容的方式后无果，最终选择按照官方建议的cuda-12.1来重新安装，这意味着不仅仅是vLLM，机器上已经安装的pytorch、cuda都需要重新安装。
安装说明上有提供cuda-11.8的版本，正好之前pytorch安装时选择的也是cuda-11.8，所以尝试过取巧直接安装11.8，但最终没有成功，报一些cuda.C的一些.so动态库找不到（具体信息未能保留下来），就放弃了。
由于cuda是pytorch和vLLM的基础依赖，首先需要重装cuda。
3. CUDA安装
3.1 下载安装包
下载网址：https://developer.nvidia.com/cuda-toolkit-archive
首先选择自己要安装的版本（12.1）：
逐个勾选自己的环境信息，勾选完后下面会自动出现与所选环境匹配的安装指令：
先复制上面的wget指令，下载文件（文件有4G，需要下一段时间）。
3.2 安装
下载完后执行如下命令开始安装。
python
sudo sh cuda_12.1.0_530.30.02_linux.run安装程序正式开始复制文件之前，可能会有两个小插曲（具体与本地环境有关）：旧环境兼容性检测和GPU是否在使用的检查。
3.2.1 旧环境兼容性检测
刚启动安装时会执行对本地旧环境的兼容性检测，如果发现本地机器的nvidia驱动与要安装的cuda版本不一致，安装程序会强烈建议你将已经存在的nvidia驱动卸载（命令如下面所示）。
python
apt-get remove --purge nvidia-driver-530
apt-get autoremove需要注意的是此命令的用途，它会将机器上已经存在的nvidia驱动删除，个人猜测目的可能是为了保持cuda与的nvidia驱动的版本一致。
这里尝试过不卸载，但没有成功，cuda与nvidia版本不一致可能会导致驱动无法工作，运行nvidia-smi命令报如下截图中错误，最后还是乖乖按照指示进行了删除操作。
3.2.2 GPU是否在使用的检查
安装程序会检测GPU是否在使用中，如果在使用中，会提示退出所有GPU之后才能继续安装。
如果此时nvidia-smi命令可用，可以从命令输出结果中看到哪个进程在使用GPU:
查到被占用的GPU序号（上面截图中是0），则可以用如下命令来释放GPU:
python
sudo nvidia-smi --gpu-reset -i 0
python
GPU 00000000:3E:00.0 was successfully reset.
All done.上面的方法是基于nvidia-smi存在的情况下，但是如果前面已经卸载了nvidia驱动程序（nvidia-smi命令也会被删除），那用什么方法查看GPU的状态呢？
用fuser命令能够列出哪些进程在使用GPU，然后使用kill命令将这些进程结束就行。
python
# 查找所有使用GPU的进程
sudo fuser -v /dev/nvidia*
sudo kill -9 <PID>
3.2.3 主流程安装
之后会提示你去勾选要安装的功能清单，用默认就好。
安装过程中，如果前面卸载了nvidia驱动程序，此时会自动安装与cuda版本配套的nvidia驱动程序，而cuda则会被安装到/usr/local/cuda-12.1目录下，安装完后的磁盘位置如下图所示：
3.3 配置环境变量
将cuda的库和命令添加到环境变量中。
python
echo 'export PATH=/usr/local/cuda-12.1/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc验证cuda安装结果：
python
nvcc --version
python
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2023 NVIDIA Corporation
Built on Tue_Feb__7_19:32:13_PST_2023
Cuda compilation tools, release 12.1, V12.1.66
Build cuda_12.1.r12.1/compiler.32415258_0验证nvidia驱动程序安装结果：
可以看到，这里显示的cuda version和上面nvcc命令显示的版本是一致的。
4. 重装pytorch
之前pytorch是基于cuda-11.8安装的，当上面cuda版本变更后，需要重新选择能适配cuda-12.1的pytorch版本重新安装。
注：pytorch一定要先于vllm来安装，因为vllm安装时会检测本地机器的cuda和pytorch是否满足版本要求，如果没有匹配的依赖，vllm是无法安装的。
具体过程这里就不细列，详情见： conda&pytorch环境搭建笔记
5. vllm
5.1 安装vllm
前面的cuda和pytorch都使用官方建议的版本后，安装vllm的命令就和正常库的安装命令一样，但是由于下载的软件包很多，这个过程也会比较长。
python
pip install vllm安装完成后如下图所示：
验证vllm的安装结果:
python
!pip show vllm
python
WARNING: Ignoring invalid distribution -orch (/data2/anaconda3/envs/python3_10/lib/python3.10/site-packages)
Name: vllm
Version: 0.5.3.post1
Summary: A high-throughput and memory-efficient inference and serving engine for LLMs
Home-page: https://github.com/vllm-project/vllm
Author: vLLM Team
Author-email:
License: Apache 2.0
Location: /data2/anaconda3/envs/python3_10/lib/python3.10/site-packages
Requires: aiohttp, cmake, fastapi, filelock, lm-format-enforcer, ninja, numpy, nvidia-ml-py, openai, outlines, pillow, prometheus-client, prometheus-fastapi-instrumentator, psutil, py-cpuinfo, pydantic, pyzmq, ray, requests, sentencepiece, tiktoken, tokenizers, torch, torchvision, tqdm, transformers, typing-extensions, uvicorn, vllm-flash-attn, xformers
Required-by: 5.2 验证vllm功能
在jupyter里贴一段加载模型的代码，尝试将本地下载好的模型Load进来：
python
from transformers import AutoTokenizer
from vllm import LLM, SamplingParams
model_dir = "/data2/anti_fraud/models/modelscope/hub/Qwen/Qwen2-0___5B-Instruct"
# Initialize the tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_dir)
# max_tokens is for the maximum length for generation.
sampling_params = SamplingParams(temperature=0.7, top_p=0.8, repetition_penalty=1.05, max_tokens=512)
# Input the model name or path. Can be GPTQ or AWQ models.
llm = LLM(model=model_dir)
再贴一段代码来测试模型是否能正常推理：
python
# Prepare your prompts
prompt = "Tell me something about large language models."
messages = [
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True
)
# generate outputs
outputs = llm.generate([text], sampling_params)
# Print the outputs.
for output in outputs:
prompt = output.prompt
generated_text = output.outputs[0].text
print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")生成的文本如下：
