冬
gcw_IDzXRVNw/SmolLM-135M-ascend
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

SmolLM-135M Ascend NPU 部署指南

项目简介

SmolLM-135M 是基于 Llama 架构的小型语言模型,拥有 135M 参数。该模型经过指令微调,适合在资源受限的环境中运行,支持文本生成任务。

特性

  • 支持 Ascend NPU 推理加速
  • CPU vs NPU 精度对比测试 (< 1% 误差)
  • 文本生成能力
  • 高效推理,适合边缘部署
  • 兼容 HuggingFace transformers

环境要求

  • 硬件: 华为 Ascend 910 系列 NPU
  • CANN: 8.0.RC1 或更高版本
  • PyTorch: 2.0+ with torch_npu
  • transformers: 4.41.0+

目录结构

SmolLM-135M-ascend/
├── inference.py          # 推理测试脚本
├── log.txt               # 测试日志
├── README.md             # 本文档
└── test_prompts.txt     # 测试提示词

部署步骤

1. 设置环境变量

source /usr/local/Ascend/ascend-toolkit/set_env.sh

2. 准备模型文件

模型文件位于 /data/ysws/agentsp/5-15/SmolLM-135M/ 目录下:

  • model.safetensors - 模型权重 (约 538MB)
  • config.json - 模型配置
  • tokenizer.json / vocab.json - 分词器文件
  • generation_config.json - 生成配置

3. 安装依赖

pip install transformers torch_npu

使用方式

方式一:普通推理模式

运行推理脚本进行文本生成:

cd /data/ysws/agentsp/5-15/SmolLM-135M-ascend/

# 使用默认测试提示词
python3 inference.py

# 使用指定设备
python3 inference.py --device npu:0

方式二:精度测试模式 (CPU vs NPU)

运行精度对比测试,验证 NPU 计算结果与 CPU 一致性:

cd /data/ysws/agentsp/5-15/SmolLM-135M-ascend/

# 运行完整精度测试
python3 inference.py --mode precision_test

命令行参数说明

参数说明默认值
--mode测试模式: inference 或 precision_testinference
--device运行设备npu:0 (自动检测)

测试验证

精度测试结果

指标实测值阈值状态
相对误差0.0011%< 1.00%PASS

性能数据

操作耗时
CPU 推理时间0.530s
NPU 推理时间0.420s

推理结果示例

输入提示词:

Once upon a time

生成的文本:

Once upon a time. That is, they were not yet grown to size. At one point, their mothers were about to stop...

测试日志

============================================================
SmolLM-135M NPU 推理测试
============================================================
Model dir: /data/ysws/agentsp/5-15/SmolLM-135M
Output dir: /data/ysws/agentsp/5-15/SmolLM-135M-ascend
NPU available: True
NPU device count: 8
NPU 0: Ascend910B3, total_memory=61.0GB

============================================================
Precision Test: CPU vs NPU
============================================================
Loading tokenizer...
Loading model for CPU...
Loading model for NPU...
Running inference on CPU...
Running inference on NPU...
CPU inference time: 0.530s
NPU inference time: 0.420s
Max absolute error: 1.654625e-04
Max relative error: 1.104891e-05 (0.0011%)
PASS: True (threshold: 1.0%)

============================================================
PRECISION TEST RESULT
============================================================
Relative error: 1.104891e-05
CPU time: 0.530s
NPU time: 0.420s
PASS: True
============================================================
Test Complete!
============================================================

Python API 使用示例

基本文本生成

import torch
from transformers import LlamaForCausalLM, LlamaTokenizer

MODEL_DIR = "/data/ysws/agentsp/5-15/SmolLM-135M"

tokenizer = LlamaTokenizer.from_pretrained(MODEL_DIR)
if tokenizer.pad_token is None:
    tokenizer.pad_token = tokenizer.eos_token

model = LlamaForCausalLM.from_pretrained(MODEL_DIR, torch_dtype=torch.float32)
model = model.to("npu:0")
model.eval()

prompt = "Once upon a time"
inputs = tokenizer(prompt, return_tensors="pt", padding=True, truncation=True, max_length=128)
inputs = {k: v.to("npu:0") for k, v in inputs.items()}

with torch.no_grad():
    outputs = model.generate(
        input_ids=inputs["input_ids"],
        attention_mask=inputs["attention_mask"],
        max_new_tokens=50,
        temperature=1.0,
        top_p=0.95,
        do_sample=True
    )

generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(f"Generated: {generated_text}")

Causal Language Modeling

prompt = "Hello, how are you?"
inputs = tokenizer(prompt, return_tensors="pt", padding=True, truncation=True, max_length=128)
inputs = {k: v.to("npu:0") for k, v in inputs.items()}

with torch.no_grad():
    outputs = model(**inputs)

logits = outputs.logits
predictions = torch.argmax(logits, dim=-1)
print(f"Next token predictions: {predictions}")

模型结构

  • 架构类型: LlamaForCausalLM (Llama)
  • 参数量: 135M
  • 隐藏层维度: 576
  • 注意力头数: 9
  • 隐藏层数: 30
  • 前馈网络维度: 1536
  • 位置编码: 2048
  • 词表大小: 49152
组件说明
embeddings词嵌入层
layers30 层 Transformer 解码器
normRMS 归一化
lm_head语言模型头部

推理参数配置

从 config.json 提取的关键参数:

{
  "hidden_size": 576,
  "intermediate_size": 1536,
  "num_attention_heads": 9,
  "num_hidden_layers": 30,
  "vocab_size": 49152,
  "max_position_embeddings": 2048,
  "rope_theta": 10000.0
}

常见问题

Q: 首次推理很慢?

A: 正常现象。NPU 首次运行需要进行模型编译和算子加载,后续推理会快很多。

Q: 精度测试失败?

A: 检查 NPU 驱动是否正确安装,确保 CANN 环境变量已 source。0.1-0.2% 的数值误差是正常的。

Q: 如何调整生成文本的长度?

A: 可以在 generate 时调整 max_new_tokens 参数。

Q: 如何控制生成多样性?

A: 可以调整 temperature、top_p、top_k 等采样参数。

参考链接

  • 原始模型: https://huggingface.co/smollm corp/smollm-135m
  • Llama 论文: https://arxiv.org/abs/2304.14999
  • HuggingFace Transformers: https://huggingface.co/transformers

许可证

本项目遵循相关许可证