极智AI | LLM大模型部署框架之OpenLLM

这篇具有很好参考价值的文章主要介绍了极智AI | LLM大模型部署框架之OpenLLM。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

欢迎关注我的公众号 [极智视界],获取我的更多经验分享

大家好,我是极智视界,本文来介绍一下 LLM大模型部署框架之OpenLLM。

邀您加入我的知识星球「极智视界」,星球内有超多好玩的项目实战源码下载,链接:https://t.zsxq.com/0aiNxERDq

由于 LLM 大模型在模型结构、模型规模等方面与传统的 CNN 模型存在着很大的差别,所以 LLM 大模型的落地部署也会和之前 CNN 模型的部署存在较大方式上的不同。针对 LLM 大模型的部署,也新涌现了挺多专门应对这种变化的部署框架,这当然有别于之前 CNN 的部署推理框架。这个表现在什么地方呢?比如咱们拿之前熟悉的 TensorRT 去直接部署 LLM 大模型,你可能会觉得无从下手。这种无从下手可能会体现在比如 TensorRT 内置无法实现比 int8 更加低的推理精度了,而对于 LLM 大模型的部署,int4 可能会是更加常见的推理精度,这个时候就会感觉比较尴尬。还有个尴尬的地方是对于前端模型的把握,CNN 导 ONNX 是个很自然的事情,但对于 LLM 大模型来说,它们的结构往往存在一些逻辑分支,在导 ONNX 的时候容易出现问题,而且因为 LLM 大模型很大,所以这种问题并不太好定位。

之前看到有段话写的我很是认同:

记得在 bert 时代,部署 文章来源地址https://www.toymoban.com/news/detail-756454.html

到了这里,关于极智AI | LLM大模型部署框架之OpenLLM的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包