大模型（LLMs）加速篇¶
来自： AiGC面试宝典
宁静致远
2023年09月29日12:44
1. 当前优化模型最主要技术手段有哪些？¶
算法层面：蒸馏、量化
· 软件层面：计算图优化、模型编译
硬件层面：FP8（NVIDIA H系列GPU开始支持FP8，兼有fp16的稳定性和int8的速度）
2. 推理加速框架有哪些？都有什么特点？¶
FasterTransformer：英伟达推出的FasterTransformer不修改模型架构而是在计算加速层面优化的 encoder 和 decoder 模块。具体包括如下：
· 尽可能多地融合除了 GEMM 以外的操作
· 支持 FP16、INT8、FP8
移除 encoder 输入中无用的 padding 来减少计算开销
• TurboTransformers：腾讯推出的 TurboTransformers 由 computation runtime 及 serving framework 组成。
加速推理框架适用于 CPU 和 GPU，最重要的是，它可以无需预处理便可处理变长的输入序列。具体包括如下：
与 FasterTransformer 类似，它融合了除 GEMM 之外的操作以减少计算量
· smart batching，对于一个 batch 内不同长度的序列，它也最小化了 zero-padding 开销
对 LayerNorm 和 Softmax 进行批处理，使它们更适合并行计算
· 引入了模型感知分配器，以确保在可变长度请求服务期间内存占用较小
3 vLLM 篇¶
3.1 vLLM 的功能有哪些?¶
- Continuous batching: 有iteration-level的调度机制，每次迭代batch大小都有所变化，因此vLLM在大量查询下仍可以很好的工作；
· PagedAttention：受操作系统中虚拟内存和分页的经典思想启发的注意力算法，这就是模型加速的秘诀
3.2 vLLM 的优点有哪些？¶
-
文本生成的速度：实验多次，发现vLLM的推理速度是最快的；
-
高吞吐量服务：支持各种解码算法，比如parallel sampling，beam search等；
-
与OpenAI API兼容：如果使用OpenAI API，只需要替换端点的URL即可；
3.3 vLLM 的缺点有哪些？¶
-
添加自定义模型：虽然可以合并自己的模型，但如果模型没有使用与vLLM中现有模型类似的架构，则过程会变得更加复杂。例如，增加Falcon的支持，这似乎很有挑战性；
-
缺乏对适配器（LoRA、QLoRA等）的支持：当针对特定任务进行微调时，开源LLM具有重要价值。然而，在当前的实现中，没有单独使用模型和适配器权重的选项，这限制了有效利用此类模型的灵活性。
-
缺少权重量化：有时，LLM可能不需要使用GPU内存，这对于减少GPU内存消耗至关重要。
3.4 vLLM 离线批量推理?¶
pip install vllm¶
from vllm import LLM, SamplingParams
prompts = [
"Funniest joke ever:", "The capital of France is", "The future of AI is", sampling_params = SamplingParams(temperature=0.95, top_p=0.95, max_tokens=200) llm = LLM(model="huggyllama/llama-13b") outputs = llm.generate(prompts, sampling_params) for output in outputs: prompt = output.prompt generated_text = output.outputs[0].text print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")
3.5 vLLM API Server?¶
Start the server:¶
python -m vllm.entrypoints.api_server --env MODEL_NAME=huggyllama/llama-13b
Query the model in shell:¶
curl http://localhost:8000/generate \ -d ' { "prompt": "Funniest joke ever:", "n": 1, "temperature": 0.95, "max_tokens": 200 }
4 Text generation inference篇¶
4.1 介绍一下 Text generation inference?¶
Text generation inference是用于文本生成推断的Rust、Python和gRPC服务器，在HuggingFace中已有LLM推理API使用。
4.2 Text generation inference 的 功能有哪些?¶
· 内置服务评估：可以监控服务器负载并深入了解其性能；
· 使用 flash attention（和 v2）和 Paged attention 优化 transformer 推理代码：并非所有模型都内置了对这些优化的支持，该技术可以对未使用该技术的模型可以进行优化；
4.3 Text generation inference 的优点有哪些？¶
所有的依赖项都安装在Docker中：会得到一个现成的环境；
· 支持 HuggingFace 模型：轻松运行自己的模型或使用任何 HuggingFace 模型中心；
对模型推理的控制：该框架提供了一系列管理模型推理的选项，包括精度调整、量化、张量并行性、重复惩罚等；
4.4 Text generation inference 的 缺点有哪些？¶
· 缺乏对适配器的支持：需要注意的是，尽管可以使用适配器部署LLM（可以参考
https://www.youtube.com/watch?v=HI3cYNOc9ZU），但目前还没有官方支持或文档；
·从源代码（Rust+CUDA内核）编译：对于不熟悉Rust的人，将客户化代码纳入库中变得很有挑战性；
· 文档不完整：所有信息都可以在项目的自述文件中找到。尽管它涵盖了基础知识，但必须在问题或源代码中搜索更多细节；
4.5 Text generation inference 的使用docker运行web server?¶
mkdir data
docker run --gpus all --shm-size 1g -p 8080:80 \
-v data:/data ghcr.io/huggingface/text-generation-inference:0.9
--model-id huggyllama/llama-13b \
--num-shard 1
知识星球