回复
实战Xinference：打造高性能私有AI推理服务
随着大模型应用的普及，越来越多的企业开始关注私有化部署。今天我们聊聊如何在海光DCU K100-AI计算卡上部署Xinference推理框架，构建一套完整的私有AI推理服务。
为什么选择Xinference？
Xinference是一个功能强大的开源推理平台，可以理解为"本地版的OpenAI API"。它的优势在于：
统一接口：无论是大语言模型、多模态模型还是嵌入模型，都提供统一的调用方式。
硬件兼容性强：支持CPU、NVIDIA GPU、海光DCU等多种硬件平台。
自动优化：能够根据模型特征自动选择最优的推理引擎，比如vLLM。
简单易用：提供Web UI和命令行工具，部署和管理都很方便。
vLLM加速的秘密
在满足特定条件时，Xinference会自动启用vLLM作为后端推理引擎。vLLM的核心创新是PagedAttention机制，能够显著提升并发处理能力。
自动启用vLLM的条件：
• 模型格式：pytorch、gptq或awq
• 量化配置：pytorch需要无量化，awq需要Int4量化，gptq支持Int3/Int4/Int8量化
• 运行环境：Linux系统 + DCU设备
• 模型兼容性：必须在vLLM支持列表中
部署实践
🚀 海光DCU实战项目来了！助您轻松驾驭大模型与HPC开发 🚀
为帮助开发者更便捷在海光DCU上进行大模型（训练、微调、推理）及科学计算，我依托海光DCU开发者社区，精心打造了一个开箱即用的实战项目 —— “dcu-in-action”！
旨在为您提供：
• 🔧直接上手的代码示例与实践指南
• ⚡加速您在海光DCU上的开发与部署流程
欢迎各位开发者：
• 访问项目GitHub仓库，深入体验、参与贡献，共同完善： https://github.com/FlyAIBox/dcu-in-action
• 如果项目对您有帮助，请我们点亮一个宝贵的Star🌟
方案一：手动部署（适合学习）
如果你希望了解每个部署细节，可以选择手动方式：
# 1. 启动配置容器
docker run -it \
--name xinference-service-setup \
-e XINFERENCE_MODEL_SRC=modelscope \
-p 9998:9997 \
--shm-size=16G \
--device=/dev/kfd \
--device=/dev/mkfd \
--device=/dev/dri \
-v /opt/hyhal:/opt/hyhal \
-v /root/.cache/huggingface/hub:/home/.cache/huggingface/hub \
--group-add video \
--cap-add=SYS_PTRACE \
--security-opt seccomp=unconfined \
image.sourcefind.cn:5000/dcu/admin/base/custom:vllm0.8.5-ubuntu22.04-dtk25.04-rc7-das1.5-py3.10-20250514-fixpy-rocblas0513-alpha \
/bin/bash
# 2. 容器内安装依赖
pip install "xinference[vllm]==1.5.1"
pip uninstall -y xoscar
pip install xoscar==0.6.2
# 3. 保存镜像
exit
docker commit xinference-service-setup dcu-xinference:1.0
# 4. 启动服务
docker run -d \
--name xinference-service \
--restart always \
-e XINFERENCE_MODEL_SRC=modelscope \
-p 9998:9997 \
--shm-size=16G \
--device=/dev/kfd \
--device=/dev/mkfd \
--device=/dev/dri \
-v /opt/hyhal:/opt/hyhal \
-v /root/.cache/huggingface/hub:/home/.cache/huggingface/hub \
--group-add video \
--cap-add=SYS_PTRACE \
--security-opt seccomp=unconfined \
dcu-xinference:1.0 \
xinference-local -H 0.0.0.0 --log-level debug方案二：自动化脚本（推荐）
对于生产环境，我们更推荐使用自动化脚本。将以下代码保存为deploy_xinference_dcu.sh：
deploy_xinference_dcu.sh脚本路径[1]
#!/bin/bash
set -e
# 配置变量
BASE_IMAGE="image.sourcefind.cn:5000/dcu/admin/base/custom:vllm0.8.5-ubuntu22.04-dtk25.04-rc7-das1.5-py3.10-20250514-fixpy-rocblas0513-alpha"
FINAL_IMAGE_NAME="dcu-xinference:1.0"
SERVICE_CONTAINER_NAME="xinference-service"
HOST_PORT="9998"
HOST_CACHE_DIR="$HOME/.cache/huggingface/hub"
echo"🚀 开始自动化部署 Xinference on DCU..."
# 创建缓存目录
if [ ! -d "$HOST_CACHE_DIR" ]; then
mkdir -p "$HOST_CACHE_DIR"
fi
# 生成Dockerfile
cat <<EOF > Dockerfile.xinference
FROM ${BASE_IMAGE}
ENV PIP_NO_CACHE_DIR=off
ENV PIP_DISABLE_PIP_VERSION_CHECK=on
WORKDIR /app
RUN pip install "xinference[vllm]==1.5.1" && \
pip uninstall -y xoscar && \
pip install xoscar==0.6.2
ENTRYPOINT ["/bin/sh"]
CMD ["-c", "exec xinference-local -H 0.0.0.0 --log-level info"]
EOF
# 构建镜像
docker build -t ${FINAL_IMAGE_NAME} -f Dockerfile.xinference .
rm Dockerfile.xinference
# 清理旧容器
if [ "$(docker ps -a -q -f name=^/${SERVICE_CONTAINER_NAME}$)" ]; then
docker stop ${SERVICE_CONTAINER_NAME}
docker rm${SERVICE_CONTAINER_NAME}
fi
# 启动服务
docker run \
-d \
--name ${SERVICE_CONTAINER_NAME} \
--restart always \
-e XINFERENCE_MODEL_SRC=modelscope \
-p ${HOST_PORT}:9997 \
--shm-size=16G \
--device=/dev/kfd --device=/dev/mkfd --device=/dev/dri \
-v /opt/hyhal:/opt/hyhal -v ${HOST_CACHE_DIR}:/home/.cache/huggingface/hub \
--group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined \
${FINAL_IMAGE_NAME} \
-c "exec xinference-local -H 0.0.0.0 --log-level debug"
echo"🎉 Xinference 服务已成功启动！"
echo "访问地址: http://localhost:${HOST_PORT}"运行脚本：
chmod +x deploy_xinference_dcu.sh
./deploy_xinference_dcu.sh常见问题解决
在实际部署中，可能会遇到一些问题，这里分享两个常见的：
问题1：xoscar版本兼容性
错误信息：TypeError: MainActorPool.append_sub_pool() got an unexpected keyword argument 'start_method'
解决方案：
pip uninstall -y xoscar
pip install xoscar==0.6.2这个问题是因为xinference调用了新版xoscar的API，但实际安装的版本太旧。
问题2：并行数与模型架构不匹配
错误信息：ValueError: Total number of attention heads (e.g., 40) must be divisible by tensor parallel size (e.g., 7)
解决方案：调整n_gpu参数，确保它是模型注意力头数的约数。
比如模型有40个注意力头，那么n_gpu可以设置为1、2、4、5、8、10、20、40中的任意一个。
环境配置优化
几个重要的环境变量：
• XINFERENCE_MODEL_SRC：设置为modelscope使用国内源
• XINFERENCE_ENDPOINT：服务访问地址
• XINFERENCE_HOME：数据存储目录
性能监控
部署完成后，可以通过以下方式监控服务状态：
# 查看服务日志
docker logs -f xinference-service
# 进入容器调试
docker exec -it xinference-service /bin/bash
# 检查GPU使用情况
rocm-smi模型部署与配置
Xinference服务启动后，访问 http://localhost:9998 进入Web管理界面。以DeepSeek-R1-Distill-Qwen-32B模型为例，演示完整的部署流程。
DeepSeek-R1-Distill-Qwen-32B
模型参数详解
在Web界面中，我们需要配置以下关键参数：
基础配置：
•模型ID：deepseek-r1-distill-qwen（系统自动生成的唯一标识）
•推理引擎：vLLM（满足条件时自动选择）
•模型格式：pytorch（原生PyTorch格式，性能最佳）
•规格：32B（模型参数量32B）
•量化：none（不使用量化，保持原始精度）
资源配置：
•Worker进程CPU核数：auto（自动检测并分配）
•GPU数量：0,1,2,3,4,5,6,7（使用8张DCU卡）
LoRA配置：
• 如果需要使用LoRA适配器，可以在此配置
• 支持本地路径和远程仓库地址
模型调用示例
模型部署成功后，可以通过API进行调用：
import openai
# 配置客户端
client = openai.OpenAI(
api_key="不需要真实key",
base_url="http://localhost:9998/v1"
)
# 发起对话请求
response = client.chat.completions.create(
model="deepseek-r1-distill-qwen",
messages=[
{"role": "user", "content": "解释一下什么是Transformer架构"}
],
temperature=0.7,
max_tokens=1000
)
print(response.choices[0].message.content)也可以使用curl命令测试：
curl -X POST http://localhost:9998/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-r1-distill-qwen",
"messages": [
{"role": "user", "content": "你好"}
],
"temperature": 0.7
}'总结
通过以上步骤，我们成功在海光DCU上部署了Xinference推理框架并完成了模型的部署配置。这套方案的优势在于：
1.完全私有化：数据不出机房，安全可控
2.性能优异：自动选择vLLM等高性能引擎
3.易于管理：统一的API接口，简化开发
4.扩展性强：支持多模型并行运行
5.配置灵活：丰富的参数可以满足不同场景需求
对于企业级应用，建议进一步考虑负载均衡、高可用性等方面的优化。海光DCU作为国产计算卡，在大模型推理场景下表现不错，是值得关注的解决方案。
引用链接
[1] deploy_xinference_dcu.sh脚本路径: https://github.com/FlyAIBox/dcu-in-action/blob/main/examples/llm-inference/xiference/deploy_xinference_dcu.sh
本文转载自 萤火AI百宝箱，作者： 萤火AI百宝箱
赞
收藏
回复
相关推荐
