【推理框架】超详细！AIGC面试系列 大模型推理系列(1)_大模型推理框架

本期问题聚焦于大模型的推理框架

有哪些大模型推理框架

1. vLLM：一个开源的大模型推理加速框架，通过PagedAttention高效地管理attention中缓存的张量，实现了比HuggingFace Transformers高14-24倍的吞吐量。它兼容OpenAI的接口服务，并与HuggingFace模型无缝集成。

2. HuggingFace TGI (Text Generation Inference)：作为支持HuggingFace Inference API的工具，旨在支持大型语言模型的优化推理。它支持多GPU多节点扩展，可推理万亿规模参数。

3. FasterTransformer：NVIDIA推出的用于实现基于Transformer的神经网络推理的加速引擎。它支持以分布式方式进行Transformer大模型推理，减少计算延迟。

4. Tensorrt-LLM：Nvidia在TensorRT推理引擎基础上，针对Transformer类大模型推理优化的框架。它支持多种优化技术，如kernel融合、矩阵乘优化等，可提升推理性能。

5. DeepSpeed：微软开源的大模型训练加速库，其最新的DeepSpeed-Inference也提供了推理加速能力。它通过内存优化、计算优化、通信优化，降低推理延迟和提升吞吐。

References

1. 目前业界大模型推理框架很多，各有什么优缺点，应该如何选择？ - 知乎
2. 大模型常见推理框架简介：vLLM、Tensorrt-LLM、DeepSpeed、Text Generation Inference | 数据 …
3. 深度解析大模型推理框架：原理、应用与实践 - CSDN博客
4. 大模型推理框架：从理论到实践的全面解析-CSDN博客
5. 深度解析大模型推理框架：原理、应用与实践_人工智能_百度开发者中心_InfoQ写作社区

了解vllm吗

vLLM是一个开源项目，提供了一个高吞吐量和内存高效的引擎，用于运行和服务大规模语言模型（LLMs）。它支持许多流行的Hugging Face模型，各种解码算法，量化，流输出，以及NVIDIA和AMD GPU。vLLM以其快速和易用性而闻名，具有先进的服务吞吐量，高效的注意力键值内存管理，以及优化的CUDA内核。

References

1. GitHub - vllm-project/vllm: A high-throughput and memory-efficient …
2. Welcome to vLLM! — vLLM - Read the Docs
3. Installation — vLLM
4. Installation — vLLM - Read the Docs
5. vLLM: Revolutionizing AI with an Open-Source Library for … - Medium

介绍下vllm的核心技术

vLLM（Vectorized Large Language Model Serving System）是一个用于大型语言模型推理加速的工具。它的核心技术主要包括：

1. PagedAttention技术：这是一种内存管理技术，可以在不连续的内存空间中存储注意力机制中的键和值，从而减少显存碎片并提高显存利用率。

2. 连续批处理：vLLM能够连续批处理接入的请求，充分利用GPU资源，提高吞吐量。

3. CUDA核心优化：vLLM对CUDA核心进行了优化，确保了速度与效率。

4. 分布式推理支持：vLLM支持分布式推理，能够在多台GPU上并行运行模型，进一步提高推理速度。

这些技术的结合使得vLLM能够有效地管理大型语言模型的推理过程，提高效率和吞吐量，同时降低显存需求。

References

1. 大模型推理加速工具：vLLM - 知乎 - 知乎专栏
2. 使用vllm实现大模型推理加速 - 知乎 - 知乎专栏
3. 大模型推理加速框架vLLM部署实战 - 百度智能云
4. GitHub - vllm-project/vllm: A high-throughput and memory-efficient …
5. vLLM框架：从顶层概览到深入解析 - 百家号

了解faster transformer吗

Faster Transformer是由NVIDIA开发的一个库，它为Transformer相关的模型提供了优化，包括BERT、GPT等。它特别针对推理阶段进行了优化，能够在Volta、Turing和Ampere GPU上自动使用Tensor Core来加速FP16数据和权重的计算。

Faster Transformer建立在CUDA、cuBLAS、cuBLASLt和C++之上。它为TensorFlow、PyTorch和Triton后端提供了至少一个API，用户可以直接将Faster Transformer集成到这些框架中。此外，NVIDIA还提供了示例代码来展示如何使用Faster Transformer，并展示了在这些框架上的性能。

References

1. GitHub - NVIDIA/FasterTransformer: Transformer related optimization …
2. faster transformer
3. Transformers are RNNs: Fast Autoregressive Transformers with Linear Attention (Paper Explained)
4. How to “Phase” two or more transformers & why
5. FasterTransformer/docs/bert_guide.md at main - GitHub
6. Increasing Inference Acceleration of KoGPT with NVIDIA …
7. Accelerated Inference for Large Transformer Models Using NVIDIA Triton …

介绍下faster transformer的核心技术

Faster Transformer是由NVIDIA开发的一种优化了的Transformer模型实现，它专门针对推理阶段进行了加速。其核心技术包括：

1. 高度优化的Transformer层：Faster Transformer为编码器（Encoder）和解码器（Decoder）实现了高度优化的Transformer层，用于推理。

2. Tensor Core的利用：在Volta、Turing和Ampere GPU上，Faster Transformer能够自动利用Tensor Core来加速FP16精度的数据和权重的计算。

3. 多框架支持：Faster Transformer提供了至少一个API支持以下框架：TensorFlow、PyTorch和Triton后端。用户可以直接将Faster Transformer集成到这些框架中。

4. OP融合：为了减少GPU内存读写的开销，Faster Transformer在内部将除矩阵乘法以外的所有kernel进行了尽可能的融合，这样可以减少kernel调用的次数。

5. 支持多种计算模式：Faster Transformer支持FP16和FP32两种计算模式，其中FP16模式可以充分利用Tensor Core计算单元。

6. 支持大模型和分布式推理：Faster Transformer能够以分布式方式跨越多个GPU和节点来实现基于Transformer的大型神经网络模型的推理。

这些技术使得Faster Transformer在执行Transformer模型推理时，能够提供更低的延迟和更高的吞吐量，特别是在处理大型模型时。这对于需要快速响应的在线服务来说是非常有价值的。

References

1. GitHub - NVIDIA/FasterTransformer: Transformer related optimization …
2. 【CUDA编程】Faster Transformer v1.0 源码详解 - 知乎
3. Faster Transformer - 知乎

了解Xinference吗

Xinference 旨在服务于语言、语音识别和多模态模型。使用 Xinference，可以轻松地部署和服务您的或最先进的内置模型，只需一个命令。它是一个开源平台，可以简化各种 AI 模型的操作和集成。

References

1. Xorbits Inference: Model Serving Made Easy - GitHub
2. Welcome to Xinference! — Xinference
3. GitHub - Nymbo/xinference: Replace OpenAI GPT with another LLM in your …
4. Xorbits Inference (Xinference) | ️ LangChain

了解llama.cpp项目吗

这是一个开源项目，由 Georgi Gerganov 创建，旨在实现 C/C++ 中的 LLM（大型语言模型）推理。项目的主要目标是在各种硬件上，包括本地和云端，以最少的设置和最佳性能启用 LLM 推理。它是一个纯 C/C++ 实现，不依赖任何外部库，甚至可以在 Apple Silicon 芯片上优化运行。

该项目还特别关注在消费级硬件上运行大型模型的能力，通过量化技术减少模型权重的内存需求，使得在个人电脑上运行大型模型成为可能。例如，通过将模型精度从 16 位浮点数降低到 4 位，可以显著减少模型的大小，从而在内存和存储空间有限的设备上运行。

References

1. GitHub - ggerganov/llama.cpp: LLM inference in C/C++
2. 大模型应用的平民化：LLaMA.cpp - 知乎 - 知乎专栏
3. 探索LLAMA.CPP：一个高效的C++模板库-CSDN博客
4. 开源大模型框架llama.cpp使用C++ api开发入门 - CSDN博客
5. 用CPU在Windows上部署原版llama.cpp - 知乎 - 知乎专栏

llama.cpp项目突出的优势是什么

1. 无需任何额外依赖：与Python代码相比，C/C++可以直接编译出可执行文件，省去了在不同硬件上准备环境的复杂性。
2. 支持Apple Silicon芯片的ARM NEON加速，以及x86平台的AVX2。
3. 具有F16和F32的混合精度，以及支持4-bit量化。
4. 无需GPU，可以仅使用CPU运行。
5. 高运行效率：例如，在M1 MacBook Pro上运行LLaMA-7B模型时，推理过程每个词（token）耗时约60毫秒，换算每秒十多词，速度相当理想。

此外，由于LLaMA.cpp是纯C/C++实现，它的运行效率很高，除了MacBook Pro外，甚至可以在Android设备上运行。量化技术的应用使得大型模型可以在消费级硬件上运行，降低了硬件要求。

References

1. 大模型应用的平民化：LLaMA.cpp - 知乎 - 知乎专栏
2. 笔记：Llama.cpp 代码浅析（一）：并行机制与KVCache - 知乎
3. 探索LLAMA.CPP：一个高效的C++模板库-CSDN博客
4. 探索LLAMA.CPP：一个高效的C++模板库-CSDN博客
5. 深入解析Llama.cpp：揭秘高性能计算的秘密武器
6. Llama2：智能C++开发工具 - 百度智能云