FastChat框架在华为Ascend NPU上的多卡推理适配实践

背景介绍

FastChat是一个流行的开源对话模型服务框架，能够方便地部署各类大语言模型并提供API服务。然而，在华为Ascend NPU硬件平台上，FastChat默认仅支持单卡推理，无法充分利用多NPU卡的算力资源。本文将详细介绍如何修改FastChat框架以支持在华为910B NPU服务器上的多卡推理能力。

技术挑战

在华为Ascend NPU环境下实现多卡推理面临几个关键技术挑战：

1. 框架原生支持不足：FastChat最初设计主要针对NVIDIA GPU，对NPU的支持有限
2. 内存分配问题：大模型在多卡间的显存分配需要特殊处理
3. 计算资源调度：需要确保推理过程中的KV cache能正确利用多卡资源

解决方案

环境准备

实施多卡推理需要以下环境配置：

• 操作系统：Linux Ascend910B01 4.19.90内核
• NPU驱动版本：24.1.rc1
• CANN版本：8.0
• 模型：Qwen2-7B-Instruct

核心代码修改

关键修改集中在FastChat的模型适配器文件(model_adapter.py)中，主要实现了：

1. 增加NPU设备类型识别
2. 多卡自动分配策略
3. 显存管理优化

具体修改点包括：

if device == "npu":
    kwargs = {"torch_dtype": torch.float16}
    try:
        import torch_npu
        if num_gpus != 1:
            kwargs["device_map"] = "auto"
    except ImportError:
        warnings.warn("Ascend Extension for PyTorch is not installed.")

这段代码实现了：

• 设置默认使用FP16精度
• 检测torch_npu扩展是否安装
• 当使用多卡时自动启用设备映射

运行配置

启动服务时需要特别注意：

1. 使用ASCEND_RT_VISIBLE_DEVICES指定可见NPU设备
2. 通过--num-gpus参数指定使用的卡数
3. 明确设置--device为npu

典型启动命令示例：

ASCEND_RT_VISIBLE_DEVICES=4,5,6,7 python -m fastchat.serve.cli \
    --model-path /path/to/model/Qwen2-7B-Instruct \
    --num-gpus 4 \
    --device npu

性能优化建议

在实际部署中，可以进一步优化：

1. 批处理大小调整：根据显存情况设置合适的batch_size
2. 量化压缩：考虑使用8bit量化减少显存占用
3. 计算图优化：利用CANN的图优化能力提升计算效率
4. 流水线并行：对于超大模型可采用更复杂的并行策略

验证与测试

经过验证，该方案能够：

1. 正确将模型参数分配到多张NPU卡上
2. 推理过程中的KV cache能利用多卡资源
3. 在输入较大时不会出现单卡显存溢出的问题

总结

通过对FastChat框架的适配修改，成功实现了在华为Ascend 910B NPU服务器上的多卡推理能力。这一解决方案不仅提升了推理性能，也为其他希望在NPU平台上部署大模型的研究者提供了参考。未来可以进一步探索更高效的并行策略和量化方法，以充分发挥NPU硬件的计算潜力。