WSL2でlocal-gemmaを試してみる

27Bモデルのgemma 2がRTX 4090(24GB)でもロードできる？と噂のlocal-gemmaを試してみます。

使用するPCはドスパラさんの「GALLERIA UL9C-R49」。スペックは
・CPU: Intel® Core™ i9-13900HX Processor
・Mem: 64 GB
・GPU: NVIDIA® GeForce RTX™ 4090 Laptop GPU(16GB)
・GPU: NVIDIA® GeForce RTX™ 4090 (24GB)
・OS: Ubuntu22.04 on WSL2（Windows 11）
です。

1. 準備

python3 -m venv local-gemma
cd $_
source bin/activate

パッケージのインストール。

pip install local-gemma"[cuda]"

2. 流し込むコード

以下の内容を/path/to/query4local-gemma.pyとして保存します。
モデルロード時のオプションとして

• --preset: メモリ最適オプション。[auto | memory_extreme | memory | exact] から一つ選択。デフォルトは auto

を指定できるようにしています。

import sys
import argparse
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TextStreamer
from local_gemma import LocalGemma2ForCausalLM
from typing import List, Dict
import time

# argv
parser = argparse.ArgumentParser()
parser.add_argument("--model-path", type=str, default=None)
parser.add_argument("--tokenizer-path", type=str, default=None)
parser.add_argument("--no-chat", action='store_true')
#parser.add_argument("--no-use-system-prompt", action='store_true')
parser.add_argument("--max-tokens", type=int, default=256)
parser.add_argument("--preset", type=str, default="auto")

args = parser.parse_args(sys.argv[1:])

model_id = args.model_path
if model_id == None:
    exit

is_chat = not args.no_chat
#use_system_prompt = not args.no_use_system_prompt
use_system_prompt = False
max_new_tokens = args.max_tokens
preset = args.preset

tokenizer_id = model_id
if args.tokenizer_path:
    tokenizer_id = args.tokenizer_path

# トークナイザーとモデルの準備
tokenizer = AutoTokenizer.from_pretrained(
    tokenizer_id,
    #trust_remote_code=True
)
model = LocalGemma2ForCausalLM.from_pretrained(
    model_id,
    #torch_dtype="auto",
    torch_dtype=torch.bfloat16,
    #device_map="cuda",
    device_map="auto",
    low_cpu_mem_usage=True,
    #trust_remote_code=True,
    preset=preset
)
#if torch.cuda.is_available():
#    model = model.to("cuda")

streamer = TextStreamer(
    tokenizer,
    skip_prompt=True,
    skip_special_tokens=True
)

DEFAULT_SYSTEM_PROMPT = "あなたは誠実で優秀な日本人のアシスタントです。"


def q(
    user_query: str,
    history: List[Dict[str, str]]=None
) -> List[Dict[str, str]]:
    # generation params
    generation_params = {
        "do_sample": True,
        "temperature": 0.8,
        "top_p": 0.95,
        "top_k": 40,
        "max_new_tokens": max_new_tokens,
        "repetition_penalty": 1.1,
    }
    #
    start = time.process_time()
    # messages
    messages = ""
    if is_chat:
        messages = []
        if use_system_prompt:
            messages = [
                {"role": "system", "content": DEFAULT_SYSTEM_PROMPT},
            ]
        user_messages = [
            {"role": "user", "content": user_query}
        ]
    else:
        user_messages = user_query
    if history:
        user_messages = history + user_messages
    messages += user_messages
    # generation prompts
    if is_chat:
        prompt = tokenizer.apply_chat_template(
            conversation=messages,
            add_generation_prompt=True,
            tokenize=False
        )
    else:
        prompt = messages
    input_ids = tokenizer.encode(
        prompt,
        add_special_tokens=True,
        return_tensors="pt"
    )
    print("--- prompt")
    print(prompt)
    print("--- output")
    # 推論
    output_ids = model.generate(
        input_ids.to(model.device),
        streamer=streamer,
        **generation_params
    )
    output = tokenizer.decode(
        output_ids[0][input_ids.size(1) :],
        skip_special_tokens=True
    )
    if is_chat:
        user_messages.append(
            {"role": "assistant", "content": output}
        )
    else:
        user_messages += output
    end = time.process_time()
    ##
    input_tokens = len(input_ids[0])
    output_tokens = len(output_ids[0][input_ids.size(1) :])
    total_time = end - start
    tps = output_tokens / total_time
    print(f"prompt tokens = {input_tokens:.7g}")
    print(f"output tokens = {output_tokens:.7g} ({tps:f} [tps])")
    print(f"   total time = {total_time:f} [s]")
    return user_messages

3. 試してみる

gemma 2の27bモデルを指定して、実行します。

CUDA_VISIBLE_DEVICES=0 python -i ~/scripts/query4local-gemma.py --model-path google/gemma-2-27b-it

推論結果はgemma 2と変わらず。

>>> history = q("ドラえもんとはなにか")
--- prompt
<bos><start_of_turn>user
ドラえもんとはなにか<end_of_turn>
<start_of_turn>model

--- output
ドラえもんは、藤子・F・不二雄による日本の漫画作品です。

**概要:**

* **ジャンル:**  SFコメディ漫画
* **主人公:** ドラえもん - 未来からやってきた青い猫型ロボット
* **舞台:** 現代の日本（主に東京郊外）
* **あらすじ:** のび太という少年に未来からやってきたドラえもんが、不思議な道具を使ってのび太を助ける物語。

**特徴:**

* **未来のガジェット:** ドラえもんは四次元ポケットから様々な未来の道具を取り出して、のび太や仲間たちの冒険を手助けします。
* **ユーモアと感動:** ドタバタとした笑いと、友情や家族愛など温かいテーマが描かれています。
* **人気:** 長年愛され続けている国民的漫画で、アニメ化、映画化もされています。

**代表的な道具:**

* **どこでもドア:** ドアを開くと、 anywhere に行ける！
* **タケコプター:** 背中に装着すると、空を飛べる！
* **タイムマシン:** 時間旅行ができる！
* **翻訳こんにゃく:** 話す言葉が全て翻訳できる！

**影響:**

ドラえもんは、世代を超えて
prompt tokens = 15
output tokens = 256 (13.102794 [tps])
   total time = 19.537817 [s]
>>> 

メモリ最適オプション別に評価した結果が以下。

• memory_extreme: ロード直後は16.6GB程。推論すると17.0GB程へ。12.7トークン/秒

• memory: memory_extremeと変わらず

• exact: 20.0GB。オリジナルと精度合わせるため？か、いくら待てども応答がなく… ctrl + c

memory_extreme指定時。モデルロード直後

memory_extreme指定時。（初回の）推論実施後

27bモデル、RTX 4090(24GB)でロードできました。推論速度も12.7トークン/秒とスムースです。

local-gemmaのコードと初回起動時の動きを見るに、その場でINT4に変換している模様。なるほどね。