大模型推理速度测评的实战代码

  大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。

  今天给大家带来的文章是大模型推理速度测评的实战代码，希望能对学习大模型的同学们有所帮助。

1. 前言

  最近有同学提出新的疑问，大模型推理速度的单位为token/s，那么如何得到不同模型对应的具体速度呢？更进一步，如何在不同的GPU上对不同的大模型进行速度测评呢？

2. 实战代码

  需要说明的是，本文是在Linux+CUDA 12.2+Python 3.10+transformers 4.36.2 环境下复现成功的。建议大家将GPU驱动、CUDA、CuDNN均升级为到CUDA最新版本12.2。

  这里以Qwen-14B-Chat为例，其他模型请自行修改路径࿱