手动配比调优

手动配比调优操作步骤如下所示。

1. 修改MindIE Server的config.json文件的部分参数如下所示配置，更多参数的配置请参见性能调优流程。
   • 对于短输入数据集：“maxPrefillBatchSize”可以设置大一些，比如设置为10；
   • 对于中长输入数据集：“maxPrefillBatchSize”可以设置为1，以降低首token时延；“maxBatchSize”可以设置的大一些，比如设置为50。

           "ModelDeployConfig":
           {
               "maxSeqLen" : 9728,
               "maxInputTokenLen" : 8704,
               "truncation" : false,
               "ModelConfig" : [
                   {
                       "modelInstanceType": "Standard",
                       "modelName" : "llama3_8b",
                       "modelWeightPath" : "/home/data/llama3-8B",
                       "worldSize" : 1,
                       "cpuMemSize" : 40,
                       "npuMemSize" : 11,
                       "backendType": "atb"
                   }
               ]
           },
   
           "ScheduleConfig":
           {
               "templateType": "Standard",
               "templateName" : "Standard_LLM",
               "cacheBlockSize" : 128,
   
               "maxPrefillBatchSize" : 1,
               "maxPrefillTokens" : 9728,
               "prefillTimeMsPerReq" : 1000,
               "prefillPolicyType" : 0,
   
               "decodeTimeMsPerReq" : 50,
               "decodePolicyType" : 0,
   
               "maxBatchSize" :50,
               "maxIterTimes" : 1024,
               "maxPreemptCount" : 0,
               "supportSelectBatch" : false,
               "maxQueueDelayMicroseconds" : 5000
           }

2. 配置完成后，用户可使用Linux curl命令、Postman工具、Benchmark工具等方式发送推理请求，此处以MindIE Benchmark命令为例进行说明。

   benchmark \
   --DatasetPath "/{数据集路径}/GSM8K" \          //数据集路径
   --DatasetType "gsm8k" \                                                         //数据集类型
   --ModelName LLaMa3-8B \                                                         //模型名称
   --ModelPath "/{模型路径}/LLaMa3-8B" \                                               //模型路径
   --TestType client \                                                             //模式选择
   --Http https://{ipAddress}:{port} \                                             //请求url
   --ManagementHttp https://{managementIpAddress}:{managementPort} \                                   //管理面url
   --Concurrency 1000 \                                                            //并发数
   --RequestRate 5                                                                 //请求频率
   --TaskKind stream \                                                             //Client不同推理模式，此处为文本流式推理
   --Tokenizer True \                                                              //分词向量化标识
   --MaxOutputLen 512                                                              //最大输出长度

3. 首先使用PD配比为1:1进行测试，根据测试的Prefill和Decode时延结果，不断调整PD配比达到最优配比即可。

   手动调整PD配比需要配置Controller配置文件中的两个参数“default_p_rate”和“default_d_rate”，如果要配置PD配比为2:3，那么相应的“default_p_rate”和“default_d_rate”参数配置如下所示。

   

   根据首token时延和Decode时延的实际数据，最多出现下面四种情况，根据实际结果调整参数：

   • 首token时延和Decode时延都没超过约束阈值，则加大“RequestRate”的值即可。
   • 首token时延和Decode时延都超过约束阈值，则减小RequestRate即可。
   • 首token时延超过约束阈值，说明Prefill节点的数量匹配不上Decode节点的数量，可以适当增加Prefill节点的数量以降低首token时延。
   • Decode时延超过约束阈值，说明Decode节点的数量匹配不上Prefill节点的数量，可以适当增加Decode节点的数量以降低Decode时延。
4. 确定好最佳PD配比后，Prefill和Decode时延理论上可以同时接近时延约束，因此不断调整“requestRate”参数的值获得满足时延约束下的最大吞吐。

   首token时延约束1000ms，Decode时延约束50ms的情况下，调优后两者比较理想的数值如下图所示，更多手动PD配比调优示例如表1所示。

   

   表1 PD配比调优示例

   模型	数据类型	平均输入长度	平均输出长度	首token时延约束	Decode时延约束	初始配比	示例调优后配比
   llama3-8b	short	258	59	500	50	1:1	2:3
   	medium1	1995	369	1000	50	1:1	2:3
   	medium2	957	114	500	50	1:1	1:3
   	long	6813	932	3000	50	1:1	1:5
   llama3-70b	short	258	59	500	50	1:1	1:2
   	medium1	1995	369	1000	50	1:1	1:2
   	medium2	957	114	500	50	1:1	1:2
   	long	6813	932	3000	50	1:1	1:2