Gemma-2-2B-it
本文档将介绍如何在高通平台上通过 Qualcomm® Genie 使用 NPU 硬件加速推理 Gemma-2-2B-it 模型
-
源模型 Gemma
-
源模型许可证：Gemma Terms of Use
模型细节
| 模型 | 量化方式 | 上下文长度 |
|---|---|---|
| Gemma-2-2B-it | W4A16 | 4096 |
支持设备
提示
请参考 SoC 架构对照表 查寻当前设备 SoC 的 DSP 架构
-
此示例支持 v73 DSP 架构的高通平台 SoC
dsp_arch v73 -
运行设备
设备 SoC dsp_arch Fogwise® AIRbox Q900 QCS9075 v73
下载 qcom-qairt 依赖
- QCS6490
- QCS9075
Device
sudo apt install qcom-qnn-sdk-v68 qcom-genie-sdk-v68
Device
sudo apt install qcom-qnn-sdk-v73 qcom-genie-sdk-v73
导入环境变量
Device
export ADSP_LIBRARY_PATH=/usr/lib/aarch64-linux-gnu
下载模型
提示
请在 python 虚拟环境中安装 modelscope python 包，虚拟环境使用请参考 Python 虚拟环境使用
Device
pip3 install modelscope
modelscope download --model radxa/Gemma-2-2B-it-w4a16-4096-v73 --local_dir ./Gemma-2-2B-it-w4a16-4096-v73
推理模型
Device
cd Gemma-2-2B-it-w4a16-4096-v73
构建 prompt
prompt 支持以文件形式或者参数形式传入
- prompt
- prompt_file
<bos><start_of_turn>user\nIntroduce yourself.<end_of_turn>\n<start_of_turn>model
Device
vim chat.txt
<bos><start_of_turn>user\nIntroduce yourself.<end_of_turn>\n<start_of_turn>model
执行推理
- prompt
- prompt_file
Device
genie-t2t-run -c gemma-2-2b-it-htp.json -p "<bos><start_of_turn>user\nIntroduce yourself.<end_of_turn>\n<start_of_turn>model"
Device
genie-t2t-run -c gemma-2-2b-it-htp.json --prompt_file chat.txt
(.venv) rock@radxa-airbox-q900:/mnt/ssd/qualcomm/Gemma-2-2B-it$ genie-t2t-run -c gemma-2-2b-it-htp.json -p "<bos><start_of_turn>user\nIntroduce yourself.<end_of_turn>\n<start_of_turn>model"
Using libGenie.so version 1.14.0
/prj/qct/webtech_scratch20/mlg_user_admin/qaisw_source_repo/rel/qairt-2.42.0/release/snpe_src/avante-tools/prebuilt/dsp/hexagon-sdk-5.5.5/ipc/fastrpc/rpcmem/src/rpcmem_android.c:38:dummy call to rpcmem_init, rpcmem APIs will be used from libxdsprpc
[INFO] "Using create From Binary"
[INFO] "Allocated total size = 285344256 across 3 buffers"
[PROMPT]: <bos><start_of_turn>user\nIntroduce yourself.<end_of_turn>\n<start_of_turn>model
[BEGIN]:
Hello! 👋 I'm Gemma, an AI assistant created by the Gemma team. I'm here to help you with text-based tasks, answer your questions, and generate creative content.
Just keep in mind:
* I'm still under development, so I'm always learning.
* I'm a text-only model, so I can't process images or audio.
* I don't have access to real-time information or the internet.
I'm excited to see what we can create together! 😊
[END]
/prj/qct/webtech_scratch20/mlg_user_admin/qaisw_source_repo/rel/qairt-2.42.0/release/snpe_src/avante-tools/prebuilt/dsp/hexagon-sdk-5.5.5/ipc/fastrpc/rpcmem/src/rpcmem_android.c:42:dummy call to rpcmem_deinit, rpcmem APIs will be used from libxdsprpc
性能参考
可以使用 --profile 选项开启性能分析功能
genie-t2t-run -c gemma-2-2b-it-htp.json --prompt_file chat.txt --profile profile.txt
| Fogwise® AIRbox Q900 | |
|---|---|
| GenieDialog_create | 2,022,259 us |
| num-prompt-tokens | 14 |
| prompt-processing-rate | 160.25640869140625 toks/sec |
| time-to-first-token | 87,368 us |
| num-generated-tokens | 170 |
| token-generation-rate | 19.333011627197266 toks/sec |
| token-generation-time | 8,793,398 us |
| GenieDialog_free | 105,481 us |
指标含义解析
| 指标 | 含义解释 |
|---|---|
| GenieDialog_create | 初始化一个会话对象的时间。包括模型加载、上下文准备、内存分配等。 |
| num-prompt-tokens | 本次输入给模型的 prompt（提示词）的 token 数量，也就是模型接收到的文本拆分成的最小单元数量。 |
| prompt-processing-rate | 模型处理输入 prompt 的速度，单位为 token 每秒（toks/sec），表示模型分析 prompt 并准备生成输出的效率。 |
| time-to-first-token | 从开始处理到生成第一个输出 token 所花的时间，反映模型响应的延迟。 |
| num-generated-tokens | 模型在本次生成中实际输出的 token 数量，也就是模型生成的文本长度（以 token 为单位）。 |
| token-generation-rate | 模型生成 token 的速度，单位为 token 每秒（toks/sec），反映生成效率。 |
| token-generation-time | 模型生成所有输出 token 总共花费的时间，单位通常为微秒（us）。 |
| GenieDialog_free | 释放会话对象的时间，包括释放内存和清理资源。 |
Genie 官方文档
如果想深入了解 Qualcomm® Genie 的使用方法与详细 API 请参考