专栏名称: 自动驾驶之心

自动驾驶开发者社区，关注计算机视觉、多维感知融合、部署落地、定位规控、领域方案等，坚持为领域输出最前沿的技术方向！

多模态模型（VLM）部署方法抛砖引玉

自动驾驶之心 · 公众号 · · 2024-09-30 07:30

正文

作者 | oldpan 编辑 | oldpan博客

点击下方卡片，关注“ 自动驾驶之心 ”公众号

戳我-> 领取 自动驾驶近15个 方向学习路线

>> 点击进入→ 自动驾驶之心 『模型部署』 技术交流群

本文只做学术分享，如有侵权，联系删文

去年年初LLM刚起步的时候，大模型的部署方案还不是很成熟，如今仅仅过了一年多，LLM部署方案已经遍地都是了。

而多模态模型相比大语言模型来说，发展的还没有很“特别”成熟，不过由于两者结构很相似，LLMs的经验还是可以很好地利用到VLMs中。

本篇文章中提到的多模态指的是视觉多模态，即VLM（Vision Language Models）。

以下用一张图展示下简单多模态模型的运行流程：

Text Embeddings即文本输入，就是常见LLM中的输入；
而Multomode projector则是多模态模型额外一个模态的输入，这里指的是视觉输入信息，当然是转换维度之后的；

将这个 转换维度之后 的视觉特征和Text Embeddings执行concat操作合并起来，输入decoder中（例如llama）就完成推理流程了；

Multomode projector负责将原始的图像特征转换下维度，输出转换后的图像特征；所以有个中文叫投射层，这个名字有点抽象，理解就行，其实就是个mlp层，转换下视觉特征的维度

多模态运作流程 from https://huggingface.co/blog/zh/vlms

引入VLM

VLM就是 视觉encoder加上语言decoder ，这么说可能有点抽象，我们先简单回顾下transformer的基本结构：

由编码器和解码器组成，最开始的transformer主要是处理机器翻译任务，结构是encoder+decoder。除了这个结构，还有一些其他结构适用于各种任务，比如

Encoder-only models：适用于需要理解输入的任务，例如句子分类和命名实体识别。
Decoder-only models：适用于生成性任务，如文本生成。
Encoder-decoder models or sequence-to-sequence models：适用于需要输入的生成性任务，例如翻译或摘要。

我们常见的llama属于Decoder-only models，只有decoder层；bert属于encoder-only；T5属于encoder-decoder。llama不多说了，BERT 是一种仅包含编码器的模型，它通过学习双向的上下文来更好地理解语言的深层含义。

BERT 通常用于理解任务，如情感分析、命名实体识别、问题回答等。T5 模型包括编码器和解码器，适用于同时需要理解和生成语言的任务。T5 被设计来处理各种“文本到文本”的任务，比如机器翻译、文摘生成、文本分类等。这种结构允许模型首先通过编码器理解输入文本，然后通过解码器生成相应的输出文本。基础知识就过到这里，我们先说enc-dec结构。

Encoder-Decoder (Enc-Dec)

注意，Enc-Dec模型 需要区别于多模态模型 ，目前TensorRT-LLM官方支持的enc-dec模型如下：

T5 ^[1]
T5v1.1 ^[2] and Flan-T5 ^[3]
mT5 ^[4]
BART ^[5]
mBART ^[6]
FairSeq NMT ^[7]
ByT5 ^[8]

第一个就是T5也就是上述提到的编码器+解码器结构。需要注意这些模型都是基于Transformer架构的自然语言处理（NLP）模型，区别于多模态模型，这些模型主要是处理文本，算是单模态。

VLM or multimodal

而多模态除了本文，就带上了图像：

VILA ^[9] 是nvidia推出的一个视觉语言模型，上图很清楚地介绍了其推理和训练流程。我知道的一些多模态模型有（这些模型来自lmdeploy官方github介绍）：

LLaVA(1.5,1.6) (7B-34B)
InternLM-XComposer2 (7B, 4khd-7B)
QWen-VL (7B)
DeepSeek-VL (7B)
InternVL-Chat (v1.1-v1.5)
MiniGeminiLlama (7B)
CogVLM-Chat (17B)
CogVLM2-Chat (19B)
MiniCPM-Llama3-V-2_5

这里我只简单介绍下llava，毕竟llava是较早的做多模态的模型，之后很多多模态的架构和llava基本都差不多。剩下的多模态模型大家可以自行查阅，结构基本都类似。

LLAVA

LLaVA(2304) ^[10] 作为VLMs的代表性工作，号称只需要几个小时的训练，即可让一个LLM转变为VLM：

训练方式比较简单，主要操作是将视觉图像视作一种“外语”（相比于之前纯nlp，图像可以当做额外输入的外语），利用vision-encoder和 projection ^[11] 将“图像翻译成文本信号”，并微调LLM从而可以适应图像任务，我们简单看下其推理代码：

其中processor就是图像预处理，处理后得到的input为：inputs.pixel_values，其shape是torch.Size([1, 3, 336, 336])。然后进入generate阶段：

第一步（stage-1）是执行encoder部分：

input_ids（torch.Size([1, 17])） -> input_embeds（torch.Size([1, 17, 4096])）
pixel_values（torch.Size([1, 3, 336, 336])）经过视觉模型输出视觉特征（torch.Size([1, 576, 1024])）
视觉特征经过投影层（mlp）输出最终的图像特征（torch.Size([1, 576, 4096])）

第二步（stage-2）是执行文字embed和图像embed合并过程，也就是合并 inputs_embeds + image_features ，最终得到的inputs_embeds维度为 torch.Size([1, 592, 4096]) ，具体在llava中是 pre_prompt + image + post_prompt 一起输入进来，其中image的特征替换prompt中的标记，对应的token id为32000。

而这个 _merge_input_ids_with_image_features 函数的作用主要是将 image_features 和 inputs_embeds 合并起来：在合并完两者之后，其余部分就和普通的decoder基本一致了。整体运行流程如下：

其他多模态模型拼 输入的方式和llava类似 ，比如 InternVLChat ^[12] ，输入的prompt是这样的：

转换为token_ids如下，其图像特征占位，img_context_token_id是92546：

上述prompt中的之后会被实际的图像特征填上，目前只是占个位子。运行过程中的维度变化：

pixel_values.shape torch.Size([1, 3, 224, 224]) -> vision model -> torch.Size([1, 64, 2048])
input_ids torch.Size([1, 293]) -> language model embed -> torch.Size([1, 293, 2048])

核心代码如下，需要注意这里是先占位再填（input_embeds[selected]=...）的形式，不是llava中concat的形式，最终实现效果是一样的。

最终也是将合并后的embeds送入language-decoder中。

包含cross-attention的多模态

上述介绍的多模态模型都是文本输入和图像输入转换为embeds合并后，输入language decoder中，这个decoder可以是常见的decoder-only models，比如llama。

还有些特殊的多模态模型的decoder部分会有cross-attention结构，比如meta推出的 nougat ^[13] 。其视觉特征不会和input_ids合并，而是单独输入decoder，在decoder中和文本特征进行cross attention：

这种结构相对稍微复杂一些。

部署方案

部署方案的话，我们参考主流开源（TensorRT-LLM不完全开源）框架来窥探下。虽然一些大厂有自己的LLM部署方案，不过技术其实也多是“借鉴”，大同小异。这几个LLM框架应该是用的比较多的：

TensorRT-LLM
vLLM
lmdeploy

目前这三个框架都支持VLM模型，只不过支持程度不同，我们先看trt-llm。

TensorRT-LLM

trt-llm中多模态部分在Multimodal示例中，如果是跑demo或者实际中使用trt-llm的python session跑的话，直接看官方的example即可：

如果我们更进一步，想要部署在生产环境，也是可以搞的。如果我们想要使用triton inference server部署的话，TensorRT-LLM对多模态模型的支持限于将cv-encoder和decoder分离开，搞成两个模型服务。

即通过ensemble或者tensorrt_llm_bls（python backend）的方式串起来，整体运行流程和在普通模型中是一致的（先输入image和text，然后两者经过tokenizer转换为token id，最终拼接和encoder输出特征图一并传入decoder中）。

视觉端

视觉端模型转换和普通CV模型一致，可以通过onnx的方式或者直接通过trt-python-api搭建。

以llava举例子，在TensorRT-LLM中，首先把视觉模型（encoder）使用Wrapper类套一层，其中：

self.vision_tower 是视觉模型，
multi_modal_projector 是投影层，将特征维度转换为和input_embeds相匹配的维度：

转换好之后，模型信息如下：

[I] ==== TensorRT Engine ====
    Name: Unnamed Network 0 | Explicit Batch Engine
    
    ---- 1 Engine Input(s) ----
    {input [dtype=float16, shape=(-1, 3, 336, 336)]}
    
    ---- 1 Engine Output(s) ----
    {output [dtype=float16, shape=(-1, 576, 4096)]}
    
    ---- Memory ----
    Device Memory: 56644608 bytes
    
    ---- 1 Profile(s) (2 Tensor(s) Each) ----
    - Profile: 0
        Tensor: input           (Input), Index: 0 | Shapes: min=(1, 3, 336, 336), opt=(2, 3, 336, 336), max=(4, 3, 336, 336)
        Tensor: output         (Output), Index: 1 | Shape: (-1, 576, 4096)
    
    ---- 398 Layer(s) ----

语言端

decoder端需要额外加入一个合并input_ids 和prompt_table_data的embedding层（这里称为PromptTuningEmbedding），其余的和普通llama一致：

通过设置 use_prompt_tuning来确定该decoder是否需要额外的 prompt_tuning 输入：

class LLaMAModel(Module):
    def __init__(self,
                 num_layers,
                 num_heads,
                 ...# 省略参数
                 use_prompt_tuning: bool = False,   # !!!
                 enable_pos_shift=False,
                 dense_context_fmha=False,
                 max_lora_rank=None):
        super().__init__()
        self.mapping = mapping
        self.use_prompt_tuning = use_prompt_tuning
        EmbeddingCls = PromptTuningEmbedding if use_prompt_tuning else Embedding

其中PromptTuningEmbedding的forward代码如下，这个使用trt-python-api搭出来的layer主要作用就是将input_ids和视觉特征prompt_embedding_table进行embed并且concat，和上述一开始提到的concat流程大差不差：

# PromptTuningEmbedding
def forward(self, tokens, prompt_embedding_table, tasks, task_vocab_size):
    # do not use '>=' because internally the layer works with floating points
    prompt_tokens_mask = tokens > (self.vocab_size - 1)

    # clip tokens in the [0, vocab_size) range
    normal_tokens = where(prompt_tokens_mask, self.vocab_size - 1, tokens)
    normal_embeddings = embedding(normal_tokens, self.weight.value,
                                  self.tp_size, self.tp_group,
                                  self.sharding_dim, self.tp_rank)

    # put virtual tokens in the [0, max_prompt_vocab_size) range
    prompt_tokens = where(prompt_tokens_mask, tokens - self.vocab_size, 0)

    # add offsets to match the concatenated embedding tables
    tasks = tasks * task_vocab_size

    # tasks: [batch_size, seq_len]
    # prompt_tokens: [batch_size, seq_len]
    prompt_tokens = prompt_tokens + tasks
    prompt_embeddings = embedding(prompt_tokens, prompt_embedding_table)

    # prompt_tokens_mask: [batch_size, seq_len] -> [batch_size, seq_len, 1]
    # combine the correct sources of embedding: normal/prompt
    return where(unsqueeze(prompt_tokens_mask, -1), prompt_embeddings,
                 normal_embeddings)

服务整合

服务整合其实很容易，只不过官方一开始并没有给出示例，只有在最近才在tutorial中给出实际例子：

https://github.com/triton-inference-server/tutorials/blob/main/Popular_Models_Guide/Llava1.5/llava_trtllm_guide.md ^[14]

其实我们可以很早发现 tensorrt_llm/config.pbtxt 中已经包含了这两个输入：

prompt_embedding_table
prompt_vocab_size

意味着在trt-llm的executor中包装着decoder-engine，可以接受这两个输入。而trt-llm提供的executor，在triton-trt-llm-backend去通过调用这个API实现inflight batching：

# inflight_batcher_llm/tensorrt_llm/config.pbtxt