单台机器GPU资源不足以执行推理任务时，一个方法是模型蒸馏量化，结果就是会牺牲些效果。另一种方式是采用多台机器多个GPU进行推理，资源不足就堆机器虽然暴力但也是个不错的解决方法。值得注意的是多机多卡部署的推理框架，也适用于单机多卡，单机单卡，这里不过多赘述。

1、vLLM分布式部署
我的需求是Ubuntu中部署70B+大模型，不量化，两台机器，每台机器4张4090 24G显卡，采用docker环境，在稍微调研了一些支持多级多卡、支持serving部署的工具后，最终选择vllm部署，主要原因是看着简单，主流的开源LLM都支持且提供OpenAI接口访问。

docker镜像构建
?? docker镜像构建基本上就是参照一位博主的文章vLLM分布式多GPU Docker部署踩坑记(vLLM分布式多GPU Docker部署踩坑记 | LittleFish’Blog)来构建的镜像，区别就是去掉了里面的ENTRYPOINT以及添加node的entrypoint，仅在执行命令docker run时加上了使容器不退出的一行代码：tail -f /dev/null。
去掉的主要原因是作为新手小白，部署环境在频繁的踩坑，需要随时stop/start ray集群。

docker run -d 
  --runtime=nvidia 
  --network=host 
  --ipc=host 
  -v ${volume_user}:/vllm 
  --gpus $gpus 
  --name $container_name 
  vllm:v5 
  tail -f /dev/null

注意: dockerfile里面不要使用命令EXPOSE暴露任何端口, vllm:v5是我自己构建的docker image.

通信环境配置
?? 我是一台机器启动了一个docker，将docker当作一个节点，在docker里面执行ray start --head --port=6379，将另一台机器的docker作为worker节点，并加入到ray cluster中，如果机器间的通信没有问题，worker节点在几秒内就能加入集群。

docker run启动
ray集群的构建，涉及到很多端口，且有些是在某个范围内随机分配端口，如果采用docker和容器间的端口一一映射形式启动docker，docker run命令会执行相当久且不利于firewall规则的配置，因此建议选用network=host ipc=host形式的docker启动方式。

firewall规则的配置
在work节点执行ray start --address==xxx命令后，work节点加入了ray cluster，短暂时间后执行ray status命令，work节点掉线了，多半是机器间的通信问题，如果是同一网段的两台机器，可以采用以下命令设置同一网段内的机器互相访问无限制（命令仅需在head节点的宿主机中操作，网段替换为宿主机的实际网段）

firewall-cmd --permanent --zone=trusted --add-source=192.168.0.0/16 #允许该网段所有访问所有端口
firewall-cmd --reload

不建议直接关闭掉防火墙，容易产生更大的安全问题。更多信息参考该博文(Docker Swarm 解决报错Error response from daemon: rpc error: code = Unavailable desc = connection error:-CSDN博客)。

环境变量配置
vllm多节点多GPU部署LLM，节点间的通信涉及到GOO、TCP、NCCL等，下面是一些配置信息（docker内编辑/etc/profile文件，并source /etc/profile，或者写入~/.bashrc,同样需要source ~/.bashrc）

# 指定通信网卡
export GLOO_SOCKET_IFNAME=eno16np0
export TP_SOCKET_IFNAME=eno16np0

# NCCL配置
# export NCCL_SOCKET_NTHREADS=10
export NCCL_SOCKET_IFNAME=eno16np0
export NCCL_DEBUG=info
export NCCL_NET=Socket
export NCCL_IB_DISABLE=0

eno16np0是容器中的网卡名称，指定采用哪个网卡进行通信。下面的CUDA_HOME替换为你的cuda的实际路径。

# 环境变量
export CUDA_HOME="/usr/local/cuda-12.1"
export PATH="${CUDA_HOME}/bin${PATH:+:"${PATH}"}"
export LD_LIBRARY_PATH="${CUDA_HOME}/lib64:${CUDA_HOME}/extras/CUPTI/lib64${LD_LIBRARY_PATH:+:"${LD_LIBRARY_PATH}"}"
export LD_LIBRARY_PATH=/usr/lib/x86_64-linux-gnu:$LD_LIBRARY_PATH

docker里面的主机设置
确保head节点的IP与指定的通信网卡的IP一致，同时，检查/etc/hosts里面的IP对应的主机名与docker的主机名是一致的。

2、其他大模型部署工具
推理工具
Deepspeed-inference& Deepspeed-fastgen
Accelerate
TensorRT-LLM
ollama
llama.cpp
FastChat
serving部署工具
Triton inferece server(仅FasterTransformer后端支持多节点多卡部署)
LMdeploy
vllm

3、问题记录
【1】vllm启动时出现 WARNING[XFORMERS]: xFormers can’t load C++/CUDA extensions. xFormers was built for 问题
现象1：PyTorch 2.3.0+cu121 with CUDA 1201 (you have 2.3.0+cu118)
现象2：Python 3.10.14 (you have 3.10.12)
原因： xFormers与pytorch、cuda、python版本不一致，解决办法就是找到相应的包重新安装，conda-xFormers版本列表(https://anaconda.org/xformers/xformers/files)、Github-xFormers(GitHub - facebookresearch/xformers: Hackable and optimized Transformers building blocks, supporting a composable construction.)，或者更新你得pytorch版本，选择torch2.3.0+cu12
【2】vllm启动时出现 NameError: name ‘vllm_ops’ is not defined 问题
为保持整篇文章的整洁，原因分析和解决办法我放另一篇文章(vllm部署大模型出现NameError: name ‘vllm_ops‘ is not defined问题_nameerror: name 'asyncllmengine' is not defined-CSDN博客)了
【3】vLLM执行推理时出现：ValueError: Total number of attention heads (32) must be divisible by tensor parallel size (6).
更改vLLM的tensor_parallel_size参数，使其可以被被部署的大模型的注意力头数整除即可，头数可以查看大模型config.json中的参数：num_attention_heads。
【4】vllm在线OpenAI接口推理服务启动后出现：ValueError: Ray does not allocate any GPUs on the driver node. Consider adjusting the Ray placement group or running the driver on a GPU node
可能是后台有相同的命令： python -m vllm.entrypoints.openai.api_server ，上次未正确退出导致，kill掉再次执行即可
或者重启整个ray，即ray stop后再次ray start命令
【5】启动ray集群后，再执行更新python库、环境变量变更等操作，尝试启动vllm推理可能不起作用
ray stop后重新启动ray cluster
【6】vLLM未正常启动，出现报错：RuntimeError: Gloo connectFullMesh failed with […/third_party/gloo/gloo/transport/tcp/pair.cc:144] no erro 且
Error executing method init_device. This might cause deadlock in distributed execution.
未正确设置GLOO_SOCKET_IFNAME、TP_SOCKET_IFNAME或者NCCL通信相关的环境变量，按照上述通信环境配置-环境变量配置后，重启ray环境。极少可能是hosts文件中IP和主机名映射出现问题。
参考文献
vLLM分布式多GPU Docker部署踩坑记：(vLLM分布式多GPU Docker部署踩坑记 | LittleFish’Blog)
vLLM官方仓库及文档：(GitHub - vllm-project/vllm: A high-throughput and memory-efficient inference and serving engine for LLMs)