Leitfaden zum Hot-Swapping von LoRA

🍧 vLLM LoRA Hot Swapping / Dynamische LoRAs

Um das Bereitstellen von LoRAs für höchstens 4 LoRAs gleichzeitig zu ermöglichen (diese werden „hot swapped“ / geändert), setzen Sie zuerst das Umgebungs-Flag, um Hot Swapping zu erlauben:

export VLLM_ALLOW_RUNTIME_LORA_UPDATING=True

Dann stellen Sie es mit LoRA-Unterstützung bereit:

export VLLM_ALLOW_RUNTIME_LORA_UPDATING=True
vllm serve unsloth/Llama-3.1-8B-Instruct \
    --quantization fp8 \
    --kv-cache-dtype fp8 \
    --gpu-memory-utilization 0.8 \
    --max-model-len 65536 \
    --enable-lora \
    --max-loras 4 \
    --max-lora-rank 64

Um eine LoRA dynamisch zu laden (setzen Sie ebenfalls den LoRA-Namen), machen Sie Folgendes:

curl -X POST http://localhost:8000/v1/load_lora_adapter \
    -H "Content-Type: application/json" \
    -d '{
        "lora_name": "LORA_NAME",
        "lora_path": "/path/to/LORA"
    }'

Um sie aus dem Pool zu entfernen:

curl -X POST http://localhost:8000/v1/unload_lora_adapter \
    -H "Content-Type: application/json" \
    -d '{
        "lora_name": "LORA_NAME"
    }'

Zum Beispiel beim Finetuning mit Unsloth:

from unsloth import FastLanguageModel
import torch
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = "unsloth/Llama-3.1-8B-Instruct",
    max_seq_length = 2048,
    load_in_4bit = True,
)
model = FastLanguageModel.get_peft_model(model)

Nach dem Training speichern wir dann die LoRAs:

model.save_pretrained("finetuned_lora")
tokenizer.save_pretrained("finetuned_lora")

Dann können wir die LoRA laden:

curl -X POST http://localhost:8000/v1/load_lora_adapter \
    -H "Content-Type: application/json" \
    -d '{
        "lora_name": "LORA_NAME_finetuned_lora",
        "lora_path": "finetuned_lora"
    }'