話題のDeepSeekR1をJetson AGX ORINで実行してみた docker編 その２

前回からの続き
https://qiita.com/g667408/items/2c09950c481a138bde59

docker内部でのコンパイルは挙動が怪しい

という問題があったので、今回はllama.cppを外部でコンパイルしてから、dockerに移動させてdockerイメージを完成させます。
cudaも現時点で最新の12.8にします。

cuda 12.8 @ jetson

sudo apt install wget

せっかくなので最新版のcudaを使います。
先ずはjetson用のcdua 12.8を入手します。
https://developer.nvidia.com/cuda-toolkit-archive
選択肢

実行

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/arm64/cuda-ubuntu2204.pin
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/12.8.0/local_installers/cuda-tegra-repo-ubuntu2204-12-8-local_12.8.0-1_arm64.deb
sudo dpkg -i cuda-tegra-repo-ubuntu2204-12-8-local_12.8.0-1_arm64.deb
sudo cp /var/cuda-tegra-repo-ubuntu2204-12-8-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda-toolkit-12-8 cuda-compat-12-8

必要なもの

たぶん足りてると思います。

sudo apt install libcublas-12-8 \
    build-essential cmake \
    git \
    cmake \ 
    ca-certificates \
    pkg-config \
    libblas-dev \
    ccache \
    docker

NVIDIA Container Toolkit

入れなくても実行できるみたいす。
効果はよくわかりませんが、とりあえず入れます。

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

llama.cpp

llama.cppを持ってくる

git clone https://github.com/ggerganov/llama.cpp.git

build

mkdir build
cd build
cmake .. -DCMAKE_BUILD_TYPE=Release -DGGML_CPU_AARCH64=1 \
         -DGGML_CUDA=1 \
         -DGGML_CUDA_F16=1 \
         -DGGML_F16C=1 -DGGML_FMA=1 \
         -DCMAKE_CUDA_COMPILER=$CUDA_HOME/bin/nvcc \
         -DCUDAToolkit_ROOT=$CUDA_HOME \
         -DGGML_BLAS=1

make -j$(nproc) llama-server

Dockerfile

FROM nvcr.io/nvidia/l4t-base:r36.2.0 AS download_stage

# Copy CUDA installer files from local
COPY cuda-ubuntu2204.pin . 
COPY cuda-tegra-repo-ubuntu2204-12-8-local_12.8.0-1_arm64.deb .

# Install CUDA Toolkit
RUN mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
RUN dpkg -i cuda-tegra-repo-ubuntu2204-12-8-local_12.8.0-1_arm64.deb
RUN cp /var/cuda-tegra-repo-ubuntu2204-12-8-local/cuda-*-keyring.gpg /usr/share/keyrings/

FROM download_stage AS install_stage

RUN apt-get update && apt-get install -y --no-install-recommends \
    cuda-runtime-12-8

ENV PATH=/usr/local/cuda/bin:${PATH}
ENV LD_LIBRARY_PATH=/usr/local/cuda/lib64:${LD_LIBRARY_PATH}

RUN rm cuda-tegra-repo-ubuntu2204-12-8-local_12.8.0-1_arm64.deb
RUN rm -rf /var/lib/apt/lists/*

FROM install_stage AS final_stage

COPY llama-server .
COPY lib* .

CMD ["sh", "-c", "./llama-server -m /models/$model --host 0.0.0.0 --port 8080 --gpu-layers 49"]

docker build

#出来上がったllamaのバイナリをcopy
cp /path_to_llama/build/bin/* .
docker build -t llama-server .

実行

dockerで実行する

MODEL=DeepSeek-R1-Distill-Qwen-14B-Q6_K.gguf
docker run  --runtime=nvidia --gpus all -it -e model=$MODEL --rm --network=host --volume ~/llm_models:/models llama-server

「こんにちは」への反応時間 42秒

slot launch_slot_: id  0 | task 0 | processing task
slot update_slots: id  0 | task 0 | new prompt, n_ctx_slot = 4096, n_keep = 0, n_prompt_tokens = 10
slot update_slots: id  0 | task 0 | kv cache rm [0, end)
slot update_slots: id  0 | task 0 | prompt processing progress, n_past = 10, n_tokens = 10, progress = 1.000000
slot update_slots: id  0 | task 0 | prompt done, n_past = 10, n_tokens = 10
slot      release: id  0 | task 0 | stop processing: n_past = 358, truncated = 0
slot print_timing: id  0 | task 0 |
prompt eval time =     340.14 ms /    10 tokens (   34.01 ms per token,    29.40 tokens per second)
       eval time =   41528.10 ms /   349 tokens (  118.99 ms per token,     8.40 tokens per second)
      total time =   41868.24 ms /   359 tokens

直接実行する

./llama-server -m ~/llm_models/DeepSeek-R1-Distill-Qwen-14B-Q6_K.gguf --host 0.0.0.0 --port 8080 --gpu-layers 49

同じバイナリですが、直接実行の方が２倍ぐらい速いです。
何度か繰り返しても、同じような傾向。
なんで。。。？

「こんにちは」への反応時間 24秒

slot launch_slot_: id  0 | task 0 | processing task
slot update_slots: id  0 | task 0 | new prompt, n_ctx_slot = 4096, n_keep = 0, n_prompt_tokens = 10
slot update_slots: id  0 | task 0 | kv cache rm [0, end)
slot update_slots: id  0 | task 0 | prompt processing progress, n_past = 10, n_tokens = 10, progress = 1.000000
slot update_slots: id  0 | task 0 | prompt done, n_past = 10, n_tokens = 10
slot      release: id  0 | task 0 | stop processing: n_past = 27, truncated = 0
slot print_timing: id  0 | task 0 |
prompt eval time =     350.45 ms /    10 tokens (   35.05 ms per token,    28.53 tokens per second)
       eval time =    2072.09 ms /    18 tokens (  115.12 ms per token,     8.69 tokens per second)
      total time =    2422.54 ms /    28 tokens

感想

同じllama-serverのバイナリでも、直接実行はdocker実行より速かった。
理由は良く分かりません。
直接実行だと、24秒とそこそこの反応速度でした。