迈向100倍加速：全栈Transformer推理优化_eagle llm

作者 | 符尧，爱丁堡大学博士生

OneFlow编译

翻译｜宛子琳、杨婷

假设有两家公司，它们拥有同样强大的模型。公司A可以用1个GPU为10个用户提供模型，而公司B可以用1个GPU为20个用户提供模型。从长远来看，谁会在竞争中获胜呢？

答案是公司B，因为它的成本更低。

假设一位研究人员提出了一种超级聪明的解码方法：这种方法拥有巧妙的算法和扎实的数学基础，但无法与FlashAttention兼容。它能在生产环境中使用吗？

可能不行，因为FlashAttention对大规模模型部署至关重要。

对Transformer推理的深入理解对研究和生产极为有益。然而在现实中，大规模生产通常与前沿研究的关联并不密切，了解算法的人可能并不了解MLSys，反之亦然。

本文讨论了全栈Transformer推理优化，从A100内存层次结构等硬件规格，到FlashAttention和vLLM等MLSys方法，再到专家混合等模型架构，以及推测性解码（Speculative Decoding）及其变体等解码算法。我们确定了一个最基本的事实：Transformer推理受限于内存，且大部分优化（无论来自MLSys还是建模）都基于/利用了这一事实。就像在角色扮演游戏中添加buff一样，可以看到Transformer推理是如何逐步扩展和加速的。

（本文由OneFlow编译发布，转载请联系授权。原文：https://yaofu.notion.site/Towards-100x-Speedup-Full-Stack-Transformer-Inference-Optimization）

1

硬件：GPU上的推理

首先，我们将探讨GPU架构，特别是其内存层次结构。我们确定了两个重要模式：计算限制（compute bound）和内存限制（memory bound），并讨论了大规模Transformer推理受内存限制的原因。大部分优化都基于Transformer推理受内存限制这一基本事实，例如只要我们提高FLOP利用率，就能提高效率。

1.1 初步推理

1.1.1 GPU架构

GPU架构总体如下图所示：

• 基础部分：DRAM（动态随机存取存储器）、L2缓存和SM（流处理器单元）

• 与CPU对比

  • SM类似于CPU核心，但具有更高级的并行性

  • L2缓存和DRAM类似于CPU的L2缓存和DRAM

  • 在Flash Attention论文中，L2缓存被称为SRAM（静态随机存取存储器）

• A100 80G SXM

  • 108个SM，DRAM容量为80GB，有40M L2缓存

SM内部包含什么？

L1缓存：指令和数据

张量核心：进行矩阵乘法运算的地方。回想一下，神经网络计算基本上就是巨大批量的矩阵乘法。

1.1.2 GPU编程基础

在执行model.generate(prompt)时，我们进行以下操作： 

• 内存访问:

  • 从高带宽内存（HBM）加载模型权重到L2缓存，然后传输到SM（流处理器单元）

• 计算:

  • 在SM中执行矩阵乘法，SM请求张量核心执行计算

• A100:

  • 108个SM，DRAM容量为80G，40M L2缓存

  • bf16张量核心：每秒312万亿浮点运算（TFLOPS）

  • DRAM内存带宽为2039GB/秒 = 2.039T/秒

• 如果模型很大，我们将其分割到多个GPU上，比如两个由NVLink连接的GPU

  • NVLink 300GB/秒 = 0.3T/秒

  • 我们大致观察了速度层次结构。尽管不能直接比较，但它们的数量级差异是我们需要优化的主要方面：

  • 312T（SM计算） > 2.03T（DRAM内存访问） > 0.3T=300G（NVLink跨设备通信） > 60G（PCIe跨设备通信）

• 这意味着，如果我们希望速度更快，我们应该尽力：

  • 充分利用SM

  • 减少单个GPU的内存访问（因为它比计算慢得多），

  • 减少GPU之间的通信（因为它甚至比内存访问还要慢）。

1.1.3 计算限制与内存限制

如何确定我们是否充分利用了SM呢？我们通过以下方式检查是否计算或内存限制：

• 定义每字节GPU操作 = flop / 内存带宽

  • A100 = 312 / 2.039

• 定义计算强度 = 计算 / 内存访问

• 如果计算强度大，说明程序更会受到计算限制；如果计算强度较小，则更受内存限制。

• 增加批次大小会将行为从内存限制变为计算限制。

• 内核融合：减少了内存访问操作，因为我们将多个操作合并为一个操作。

1.2 Transformer推理基础

1.2.1 预填充和解码

调用model.generate(prompt)时有两个步骤：

• 预填充：

  • 为提示计算键值（kv）缓存。

  • 这一步骤受计算限制，因为我们并行计算了一系列词元。

• 解码：

  • 自回归采样下一个词元。

  • 这一步骤受内存限制，因为我们仅计算一个词元，未充分利用SM。

1.2.2 Transformer推理受内存限制

增加批处理大小可以将模式从内存限制变为计算限制，正如Kipply博客《大型语言模型的推理演算》中的下图所示。

• 因为解码每次只采样一个词元。

• 增加批次大小提高了硬件效率。

  • 因为我们同时计算多个词元。

  • 大型批次从内存限制变为计算限制。

• 然而，我们可能无法使用太大型的批次大小，因为GPU内存有限，目前最大为80GB。

1.2.3 内存布局

正如我们所看到的，为了在bf16格式下运行一个13B模型，我们大约只有10GB的内存来存储kv缓存。这意味着：

• 不能使用太大型的批次（尽管我们希望使用更大的批次大小以提高效率）

• 也不能处理太长的序列，尽管我们确实希望能够处理长度为100k的序列。

1.2.4 在线与离线推理，吞吐量vs时延

• 离线：吞吐量优化

  • 我们关注这种情况，因为希望能够离线评估模型，例如，在100个基准测试上运行一个中间的预训练检查点（checkpoint），用于验证预训练是否情况良好。

  • 增加批次大小是有帮助的，但需要记住当前单个设备的最大内存为80GB。

• 在线：时延和吞吐量权衡

  • 当批次大小较大型时（假设仍然适配内存），会受到计算吸纳之，随后时延会相应增加。

  • 时延不应慢于人类的阅读速度，否则用户会抱怨，或者转而使用竞争对手的模型。

  • 但再次强调，我们确实希望使用更大的批次大小以提高效率。

1.2.5 上下文长度扩展

到目前为止，我们的假设都是基于提示不长（低于4k）的情况。接下来，我们将考虑提示超过100k的情况，希望模型阅读多个PDF文件，然后进行文档问答。

• 预填充

• 这一次，预填充需要花费更长时间，因为输入长度很长

• 这种情况下，生成首个词元的时延很重要，因为用户希望在10秒内看到模型生成的响应。

• 大型KV缓存

  • 由于上下文长度很长，我们需要一个大型的键值（KV）缓存。

• 目前就改进这方面的推理而言，人们做的工作似乎并不多。

2 

MLSys：Flash Attention和vLLM

本节讨论了如何充分利用GPU内存层次结构。vLLM提供了一种进行GPU内存管理的方法，就像在操作系统中管理CPU虚拟内存一样；Flash Attention展示了如何通过在SM上执行大部分操作来有效减少内存IO，从而显著减少内存访问计算开销。

2.1 vLLM和Paged Attention

由于GPU内存有限，我们希望合理使用它来存储键值（kv）缓存。然而，GPU或PyTorch本身并不会自动提供将KV缓存置入内存的最佳方式，而其默认策略实际上相当糟糕。这激发了vLLM中用于GPU内存管理的Paged Attention：

• Paged Attention基本构建了一个类似于CPU内存管理的内存管理系统，以减少内存碎片并充分利用内存吞吐量

• 现在这成为了Transformer推理的首要选择

2.2 Flash attention

对每位从业者来说都是必备的，请简单记住完整的算法。

要点：

• 不要将完整的注意力矩阵存储在HBM中，而是对点积进行分块计算（blockwise computation），以便所有计算都在L2高速缓存中执行。

主要优势：

• 大幅减少内存使用，可以使用蛮力法（即“brutal force”，通过穷举所有可能性来解决问题）处理包含100k上下文长度的情况——没错，并没有使用复杂算法来处理100k上下文长度，而是采用了蛮力法。

  • 在原始论文中，作者们最多只测试了16k，但其实完全可以处理100k的上下文长度。

• 大幅提高吞吐量，尤其是对于小模型，其中大部分浮点运算用于点积操作。

2.3 Flash解码

要点：不再使用一个查询来扫描整个KV缓存，而是复制查询，以便可以并行扫描KV缓存的不同块（chunk）。

3

建模：架构与解码算法

现在我们进入一个大家更熟悉的领域。我们将从蒸馏（distillation）和量化（quantization）等标准且广为人知的技术开始，然后深入探讨专家混合（MoE）和推测性解码（speculative decoding）等进阶主题。

3.1 经典方法

3.1.1 蒸馏和稀疏注意力

• 蒸馏：利用较大模型的输出/logits对小模型进行微调

  • 对输出进行微调：如今，大家都很擅长从GPT进行蒸馏，所以这部分略过

  • 对logits/分布进行微调的探索较少，一些结果表明，通过这种方法收敛速度更快，质量更好

• 稀疏和局部注意力，尤其适用于长上下文

  • 在小模型时代，这一领域得到了深入研究（参见Yi Tay的出色调研，https://arxiv.org/abs/2009.06732），但不确定这些结果是否适用于更大规模的模型

  • 在大模型时代，除了Mistral的滑动窗口注意力，这一领域几乎没有相关研究

3.1.2 量化

https://github.com/TimDettmers/bitsandbytes

• 最基本的方法，将模型权重量化为int 8。

• 量化如今是部署大模型的必备步骤。好消息是，它实际上并不会对性能造成实质损害。

• Yi-34B聊天模型的4位量化仅需17G内存。而基准测试的性能几乎相同。

• 实际上它的速度相当快，你可以在Hugging Face（https://huggingface.co/spaces/01-ai/Yi-34B-Chat）上进行尝试。

3.1.3 多查询注意力和组查询注意力

• 通常情况下，多查询注意力通过同时减少内存和计算，显著加快了训练和推理速度。

• 多查询注意力也是一个很好的例子，小模型与大模型在此方面的差异并不明显：对于7B这样的小模型，多查询注意力不如全注意力，但当模型达到70B时，多查询注意力的性能基本上与全注意力相同。LLaMA2 7B使用全注意力，而70B使用组查询注意力。

• 现有的顶尖大模型默认使用多查询注意力。

3.2 进阶技术

3.2.1 专家混合模型

从头开始预训练

• 假设我们有7B激活单元，总共34B参数。

• 能否实现以下目标？

  • 与34B相似的性能

  • 优于34B的吞吐量

  • 与7B相似的时延 最近发布的Mistral MoE使上述目标成为了可能，详见推特上的讨论（https://twitter.com/Francis_YAO_/status/1733686003687112983）

如上表所示：

• 性能：50B的MoE Mistral模型，其7B的密集部分在性能上接近于34B的Yi模型和67B的DeepSeek模型

• 推理效率：MoE的密集部分为7B，其中包含前2的激活单元

Mistral MoE展示了降低更小模型成本的同时，取得与更大模型相当的性能的可能性。

• 参考文献：

  • Zhang等，2021年。https://arxiv.org/abs/2110.01786

  • Zhang等，2023年。https://arxiv.org/abs/2305.18390

由Dmytro的Twitter帖子中的图表可知：

• 当并发性较低时，大部分时间都用于将两个激活的专家模型加载到内存中，这比密集层小，因此需要的内存访问时间更少，从而降低了时延。

    换句话说，对于单个查询，MoE的时延低于密集层，因为我们需要从内存中读取的参数更少。

• 当并发性较高时，我们进入了flop限制的状态，但由于MoE的激活少于密集层，因此吞吐量更高。

换句话说，对于许多并发查询，MoE具有更高的吞吐量，因为：

随之而来的一个问题是，假如我已经训练了一个大型密集模型，是否可以将其转换为MoE模型？

• MoE化（MoEfication）：将一个密集模型分解为MoE模型，使其

  • 具有小型模型的高效

  • 同时拥有大型密集模型的强大性能。

• 参考文献：

  • Zhang等，2021年。https://arxiv.org/abs/2110.01786

  • Zhang等，2023年。https://arxiv.org/abs/2305.18390

3.2.2 提前退出

此处的要点是：对于简单词元，我们不需要计算所有的Transformer层，计算部分层就够了，因为它们是简单词元。

• 对于所有词元，使用一个门控（gate）来确定是否提前退出或继续计算

参考文献：

• Schuster等，2022年。Confident Adaptive Language Modeling

• Bae等，2023年。https://arxiv.org/abs/2310.05424

3.2.3 分块解码

推测性解码

关键在于，逐词元解码不能充分利用SM的计算能力，因此我们希望能够一次解码多个词元。以下文章值得参考：

• Leviathan et. al. 2022. Fast Inference from Transformers via Speculative Decoding

• Chen et. al. 2023. Accelerating Large Language Model Decoding with Speculative Sampling

• Liu et. al. 2023. Online Speculative Decoding

• Leviathan等，2022年。Fast Inference from Transformers via Speculative Decoding

• Chen等，2023年。Accelerating Large Language Model Decoding with Speculative Sampling

• Liu等，2023年。Online Speculative Decoding

使用小型草稿模型（draft model）存在以下缺点：

• 性能较弱，因此在一些具有挑战性的领域（如编码）中，拒绝率（rejection rate）可能较高。

• 我们需要在GPU中放入两个模型，但这已经耗尽了GPU内存。

因此，我们希望将大模型作为自身的提案模型（proposal model），因为

• 性能较强，因此可以降低拒绝率。

• 只需在内存中保留一个模型。

这就是我们推行Medusa的原因：

• 使用多头同时解码多个词元

• 使用大模型本身作为草稿模型

4 

本文尚未涵盖的内容

• 深水（Deep water）硬件和MLSys

  • 我对MLSys还很陌生，因此不得不向朋友询问自己的理解是否正确。因此，尽管我尝试覆盖最重要的基础知识，但我对MLSys的理解仍然仅是皮毛。

  • 还有许多涵盖硬件和MLSys的精彩文章，我将在文末添加相关参考文献

• 超大模型的分布式推理。参见Pope等人的Efficiently Scaling Transformer Inference（https://arxiv.org/abs/2211.05102）

  • 关键技术：模型分片（model sharding）、流水并行和张量并行

  • 持续批处理和类似的库DeepSpeed MII（https://github.com/microsoft/DeepSpeed-MII）

• 对蒸馏的详细讨论

• 更进阶的分块解码

  • 前向解码（lookahead decoding，https://lmsys.org/blog/2023-11-21-lookahead-decoding/）

  • 基于检索的推测性解码（https://github.com/FasterDecoding/REST）

  • EAGLE（https://sites.google.com/view/eagle-llm）

5 

个人选择

不幸的是，对于大部分模型架构论文而言，其收益和真正重要的工作大多来自MLSys，而非来自论文。实际上，许多花哨的论文并不切合实际，它们无法兼容SOTA MLSys的最新进展，如模型并行和Flash Attention。因此，亲爱的研究同行们，是时候动手实践，仔细研究真正的代码了。

然而，确实有一些来自建模方面的性能收益，以下是我最喜欢的技术，以备你的不时之需：

6

结论

本文回顾了从GPU架构到MLsys方法，从模型架构到解码算法的全栈Transformer推理优化方法。可以看出，大部分性能提升都来自于一个原则的利用：Transformer推理受内存限制，因此我们可以释放额外的计算能力/flops。其次，优化要么来自于优化内存访问，比如Flash Attention和Paged Attention，要么来自于释放计算能力，比如Medusa和前向解码。

我们相信MLSys和建模仍有许多改进空间。在即将到来的2024年，随着模型变得更大、上下文变得更长以及随着更多开源MoE（混合专家模型）、更高内存带宽和更大内存容量的硬件，以及具有更大DRAM和专用计算引擎的移动设备的亮相，将出现更强大且人人可操作、可访问的AI。一个新时代即将到来。

参考文献

• https://pytorch.org/blog/accelerating-generative-ai-2/

• https://arxiv.org/abs/2302.14017

• https://arxiv.org/abs/2211.05102

• https://kipp.ly/transformer-inference-arithmetic/

• https://docs.nvidia.com/deeplearning/performance/dl-performance-gpu-background/index.html

• https://www.baseten.co/blog/llm-transformer-inference-guide/

• https://cursor.sh/blog/llama-inference

• https://lilianweng.github.io/posts/2023-01-10-inference-optimization/

• https://arxiv.org/abs/2311.03687

其他人都在看

• 语言大模型的推理技巧

• 大型语言模型的推理演算

• LoRA微调语言大模型的实用技巧

• ChatGPT规模化服务的经验与教训

• 机器学习硬件十年：性能变迁与趋势

• 语言大模型推理性能工程：最佳实践

• 语言大模型的分布式训练与高效微调指南

试用OneFlow: github.com/Oneflow-Inc/oneflow/http://github.com/Oneflow-Inc/oneflow/​​​​​​​