在尝试运行huggingface上发布的deepseek v2时，我遇到了几个问题，这里提供了一些解决方案。huggingface提供的deepseek v2开源仓库链接为：https://www.php.cn/link/47ea4fca48eeb134e38df837a620c2c9

0x0. 背景

尝试启动HuggingFace上的DeepSeek V2时，我遇到了一些障碍。这里分享解决这些问题的具体方法。

0x1. 报错1: KeyError: 'sdpa'

这个问题在社区中也有其他人反馈过，具体讨论见：https://www.php.cn/link/47ea4fca48eeb134e38df837a620c2c9/discussions/3

解决方法非常简单，只需在工程的config.json文件末尾添加一行"_attn_implementation": "flash_attention_2"即可：

0x2. 报错2: 初始化阶段卡死

我已经向accelerate项目提交了一个pull request来解决这个问题，具体见：https://www.php.cn/link/714aeac233808ffb2b01e3910edff2bc

在使用transformers库进行deepseek-v2模型推理时：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig
model_name = "deepseek-ai/DeepSeek-V2"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
max_memory should be set based on your devices
max_memory = {i: "75GB" for i in range(8)}

							

								
								

									如此AI员工
									
国内首个全链路营销获客AI Agent
								
								下载 
							
						
device_map cannot be set to auto
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True, device_map="sequential", torch_dtype=torch.bfloat16, max_memory=max_memory, attn_implementation="eager")
model.generation_config = GenerationConfig.from_pretrained(model_name)
model.generation_config.pad_token_id = model.generation_config.eos_token_id
text = "An attention function can be described as mapping a query and a set of key-value pairs to an output, where the query, keys, values, and output are all vectors. The output is"
inputs = tokenizer(text, return_tensors="pt")
outputs = model.generate(**inputs.to(model.device), max_new_tokens=100)
result = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(result)

我发现程序卡住了...

解决

根据堆栈信息，程序卡在了这里（https://www.php.cn/link/f0f68749983c98403d5954cd5e0b7b30）。

对于DeepSeek V2，module_sizes的长度为68185，而这里的代码复杂度为O(N^2)（其中N = module_sizes），需要非常长的时间来执行，给人一种卡住的错觉。这个PR优化了代码，使其复杂度变为O(N)，从而可以快速到达加载大模型的阶段。在一台8xA800机器上，经过这种优化后，推理结果也是正常的。

0x3. 单节点A800推理需要限制一下输出长度

由于模型的参数量有236B，用bf16来存储，单节点8卡A800每张卡都已经占用了大约60G，如果输出长度太长，用HuggingFace直接推理的话KV Cache就顶不住了。如果你想在单节点跑通并且做一些调试的话，输入的prompt设短一点，然后max_new_tokens可以设置为64。实测是可以正常跑通的。我跑通的脚本为：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig
model_name = "/mnt/data/zhaoliang/models/DeepSeek-V2/"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
max_memory should be set based on your devices
max_memory = {i: "75GB" for i in range(8)}
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True, device_map="auto", torch_dtype=torch.bfloat16, max_memory=max_memory)
model.generation_config = GenerationConfig.from_pretrained(model_name)
model.generation_config.pad_token_id = model.generation_config.eos_token_id
text = "An attention function can be described as mapping a query and a set of key-value pairs to an output, where the query, keys, values, and output are all vectors. The output is"
inputs = tokenizer(text, return_tensors="pt")
outputs = model.generate(**inputs.to(model.device), max_new_tokens=64)
result = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(result)

0x4. VLLM

如果想在单节点8卡A100/A800上加速推理并且输出更长长度的文本，目前可以使用vllm的实现，具体见这个PR：https://www.php.cn/link/9826ee8eb827f4adacdb88e615550686