编者按：龙蜥操作系统 Anolis OS 23 是龙蜥社区基于操作系统分层分类理论，面向上游原生社区独立选型，全面支持智算的首款国产操作系统，为开发人员提供了强大的 AI 开发平台，通过支持龙蜥生态软件仓库（EPAO），Anolis OS 23 实现了对主流 AI 框架的全面支持，使得 AI 开发更加便捷高效。本文将基于 AMD 实例介绍 Anolis OS 23 针对 AI 推理应用进行的专门优化，并通过最佳实践演示如何使用龙蜥社区容器镜像加速 AI 应用推理部署。
01
Anolis OS 23 加速 AI 应用部署
Anolis OS 23 中通过引入龙蜥生态软件仓库（EPAO），实现一键安装部署 AI 开发环境，解决了 AI 组件之间繁琐的依赖关系，加速 AI 应用的开发、部署流程。EPAO 仓库有以下特点：
- EPAO 仓库支持开发者一键安装主流 NVIDIA GPU 驱动和 CUDA 加速库，为开发者节省驱动版本匹配和手动安装的时间。
- EPAO 仓库提供对主流 AI 框架 PyTorch/TensorFlow 的版本支持，同时安装过程中自动解决 AI 框架的依赖问题，开发者无需进行额外编译，即可搭配系统 Python 环境进行快速开发。
- EPAO 仓库中的组件在提供给开发者之前，均经过兼容性测试，开发者可以一键安装对应的组件，免去环境配置中可能出现的对系统依赖项的修改，提供使用过程中的稳定性。
EPAO 仓库当前支持的 AI 组件列表：
分类 | 名称 | 版本号 |
驱动 | cuda | 12.1.1 |
nvidia-driver | 530.30.02 | |
AI 框架 | tensorflow | 2.12.0 |
pytorch | 2.0.1 | |
onnx | 1.14.0 | |
CPU 场景模型加速 | intel-extension-for-pytorch | 2.0.100 |
intel-extension-for-tensorflow | 1.2.0 | |
NVIDIA 容器支持 | nvidia-container-toolkit | 1.13.1 |
libnvidia-container | 1.13.1 |
在 Anolis OS 23 上 部署 AI 环境只需三步，就可以安装适用于系统 Python 版本的 AI 开发环境：
1. 引入 EPAO。
dnf install -y anolis-epao-release2.（GPU 实例）安装 NVIDIA 驱动及 CUDA。
dnf install -y kernel-devel-$(uname-r)
dnf install -y nvidia-driver nvidia-driver-cuda cuda3. 安装 AI 框架。
dnf install -y pytorch
dnf install -y tensorflow02
Anolis OS 23 加速 AI 应用推理
CPU 平台相较于 GPU 平台具备多种优势，包括灵活通用、低功耗高性能、易扩展和生态丰富等。在 AI 推理应用部署中，CPU 仍然是一种非常重要的硬件平台。然而，在 CPU 上部署 AI 推理应用并充分发挥其全部硬件性能，对开发者来说却是一个繁琐的问题。Anolis OS 23 针对这个问题，聚焦 AMD CPU 实例，引入了 AI 专门优化方案，更好的帮助开发者释放出硬件的全部性能，为开发者降本增效。
1.CPU 计算加速：现代 CPU 具备多种扩展指令集，可以大幅提高重复计算工作的并行度，然而这些指令集需要经过软件适配才能发挥作用。AMD 推出的 ZenDNN 加速库可以针对 AMD CPU 架构，充分利用扩展指令集优化 AI 推理计算，帮助 AI 开发者充分释放 AMD 平台的深度学习推理性能。ZenDNN 针对不同的推理工作负载均有优化效果，包括计算机视觉、自然语言处理和推荐系统。并且在最新的 ZenDNN v4.1 发布页面中，Anolis OS 已经正式获得 AMD 官方支持，成为首款支持 ZenDNN 的国产操作系统。
2.内存分配加速：在进行 AI 推理过程中，大量的数据需要从内存中读写。使用内存加速技术可以提高内存访问的效率，减少数据访问的延迟和带宽限制。同时内存加速技术可以支持多线程并发访问内存，提高推理并行度和整体性能。tcmalloc 和 jemalloc 是两种常用的内存分配器，相比于 glibc 默认的 ptmalloc，这两种内存分配器针对多线程程序的内存管理进行了专门优化，以提高内存分配释放的性能。目前 Anolis OS 23 仓库中已经引入这两种内存分配器，开发者可以一键安装对应的组件。
在第八代 AMD ECS 实例上，安装相同版本的运行环境下，经过优化后的 Anolis OS 23 与 Ubuntu 部署相同大模型的推理性能对比：
ChatGLM | Qwen | Stable Diffusion | |
Ubuntu 22.04 | 4.985 byte/s | 3.957 byte/s | 0.604 pic/min |
Anolis OS 23 | 23.811 byte/s | 18.426 byte/s | 1.443 pic/min |
03
AI 应用推理优化实践
为了减少 AI 开发者在环境部署上的成本，龙蜥社区推出了针对 AMD CPU 优化的 AI 推理容器镜像，镜像中直接集成 ZenDNN CPU 计算加速以及 tcmalloc 内存加速，即开即用，将 AI 推理环境部署成本降低为 0。
在使用龙蜥社区容器镜像之前，需要安装 docker 运行环境，在 Anolis OS 23 上可以通过如下命令安装：
dnf install -y docker具备 docker 运行环境后，开发者可以通过以下命令拉取镜像，并进入镜像进行 AI 开发部署：
docker pull registry.openanolis.cn/openanolis/pytorch-amd:1.12-23-zendnn4.0
docker run -d --name pytorch-amd -u $(id -u):$(id -g) -v $HOME:$HOME registry.openanolis.cn/openanolis/pytorch-amd:1.12-23-zendnn4.0
docker exec -it pytorch-amd /bin/bash镜像中针对 AMD CPU 的优化已经默认生效，开发者只需要安装 AI 应用的依赖环境，就可以运行推理应用享受极致的性能体验。下面将以 ChatGLM-6B 模型 为例，体验容器镜像带来的便捷（为了保证模型运行的稳定，容器内存至少分配 32 GB，存储空间至少分配 100 GB）。
1.在部署 ChatGLM-6B 之前，需要安装一些必备软件。
dnf install -y git git-lfs2.下载 ChatGLM-6B 项目源码。
git clone https://github.com/THUDM/ChatGLM-6B.git3.安装 Python 运行依赖（镜像已包含 PyTorch，无需另外安装）
pip install protobuf transformers==4.27.1 cpm_kernels gradio mdtex2html sentencepiece accelerate streamlit streamlit-chat4.运行网页 DEMO。运行网页 DEMO 时，由于国内网络原因，可能会出现模型下载失败，可以多次重试，或手动下载模型文件并指定本地离线模型。
cd ~/ChatGLM-6B
streamlit run web_demo2.py --server.port 7860网页版服务运行起来后，可以通过 http://<ECS EXTERNAL IP>:7860 访问服务。部署在 AMD CPU 实例上的聊天机器人再经过 Anolis OS 23 的专门优化后，对话非常流利，开发者无需 GPU 实例即可流畅开发 AI 应用，大大减少了开发成本与开发时间。
—— 完 ——
关于龙蜥
龙蜥社区是立足云计算打造面向国际的 Linux 服务器操作系统开源根社区及创新平台。龙蜥操作系统（Anolis OS）是龙蜥社区推出的 Linux 发行版，拥有三大核心能力：提效降本、更加稳定、更加安全。
目前， Anolis OS 23 已发布，全面支持智能计算，兼容主流 AI 框架，支持一键安装 nvidia GPU 驱动、CUDA 库等，完善适配 Intel、兆芯、鲲鹏、龙芯等芯片，并提供全栈国密支持。
加入我们，一起打造面向云时代的操作系统！