制作网站的费用,创意作品设计及简介,林州市建筑信息平台,网站建设公司如何挖掘客户作者#xff1a;顾静
TensorRT-LLM 如何提升 LLM 模型推理效率
大型语言模型#xff08;Large language models,LLM#xff09;是基于大量数据进行预训练的超大型深度学习模型。底层转换器是一组神经网络#xff0c;这些神经网络由具有 self-attention 的编码器和解码器组…作者顾静
TensorRT-LLM 如何提升 LLM 模型推理效率
大型语言模型Large language models,LLM是基于大量数据进行预训练的超大型深度学习模型。底层转换器是一组神经网络这些神经网络由具有 self-attention 的编码器和解码器组成。编码器和解码器从一系列文本中提取含义并理解其中的单词和短语之间的关系。
当前 LLM 模型推理的主要瓶颈是 GPU 显存资源不足。因此各类加速框架主要集中于降低 GPU 显存峰值和提高 GPU 使用率两大目标。
TensorRT-LLM [ 1] 是 NVIDIA 推出的大语言模型LLM推理优化框架。它提供了一组 Python API 用于定义 LLMs并且使用最新的优化技术将 LLM 模型转换为 TensorRT Engines推理时直接使用优化后的 TensorRT Engines。
TensorRT-LLM 主要利用以下四项优化技术提升 LLM 模型推理效率。
1. 量化
模型量化技术是通过降低原始模型的精度来减少模型推理时的 GPU 显存使用。TensorRT 支持多种模型的多种精度以下列举了部分主流模型支持的量化精度。 W8A8 SQ 使用了 SmoothQuant 技术 [ 2] 在不降低模型推理准确率的前提下将模型权重和激活层都降低为 INT8 精度显著减少了 GPU 显存消耗。
W4A16/W8A16 是指模型权重为 INT4 或者 INT8激活层为 FP16 精度。
W4A16 AWQ 以及 W4A16 GPTQ 分别实现了 AWQ [ 3] 和 GPTQ [ 4] 两篇论文中提到的量化方法。模型权重为 INT4激活层为 FP16 精度。
2. In-Flight Batching
传统的 Batching 技术为 Static Batching 的需要等 Batching 中所有序列推理完成后才能进行下一次批次。下图为一个输出最大 Token 为 8Batch size 为 4 的推理过程使用 Static Batching 技术。S3 序列在 T5 时刻就已经完成推理但是需要等到 S2 序列在 T8 时刻推理完成后才会处理下一个 sequence存在明显的资源浪费。 In-Flight Batching 又名 Continuous Batching 或 iteration-level batching该技术可以提升推理吞吐率降低推理时延。Continuous Batching 处理过程如下当 S3 序列处理完成后插入一个新序列 S5 进行处理提升资源利用率。详情可参考论文 Orca: A Distributed Serving System for Transformer-Based Generative Models [ 5] 。 3. Attention
Attention 机制用于从序列中提取关键/重要信息在情感识别、翻译、问答等任务中起着至关重要的作用。Attention 机制按照演进顺序可以分为 MHAMulti-head Attention、MQAMulti-query Attention [ 6] 以及 GQAGroup-query Attention [ 7] 机制。MQA 和 GQA 都是 MHA 的变种。 MHA 是标准的多头注意力机制每个 query 存储一份 KV因此需要使用较多的显存。MQA 所有 query 共享一份 KV推理时容易丢失一些细节信息。GQA 将 query 进行分组组内共享一份 KV可以有效避免 MHA 和 MQA 的问题。
TensorRT-LLM 支持 MHA、MQA 及 GQA 方式可以在 tensorrt_llm.functional.gpt_attention 查看具体实现。
4. Graph Rewriting
TensorRT-LLM 在将 LLM 模型编译为 TensorRT Engines 时会对神经网络进行优化提升执行效率。
基于阿里云容器服务 ACK 的实战体验
云原生 AI 套件
云原生 AI 套件是阿里云容器服务 ACK 提供的云原生 AI 技术和产品方案帮助企业更快、更高效地落地云原生 AI 系统。
本文将介绍如何基于阿里云容器服务 ACK 云原生 AI 套件利用 TensorRT-LLM 优化 LLM 模型推理。
环境配置 参考文档安装云原生 AI 套件 [ 8] 。 登陆容器服务管理控制台 [ 9] 在左侧导航栏选择集群 应用 云原生 AI 套件。等待开发控制台准备就绪后单击开发控制台。 在开发控制台左侧选择 Notebook在 Notebook 页面右上角单击创建 Notebook 创建新的 Notebook 环境。Notebook 资源需要 CPU12C内存40GGPU 显存24GB。(节点对应规格为 ecs.gn7i-c16g1.4xlarge [ 10] ) 准备 TensorRT-LLM 环境
构建 Notebook 所需镜像。
FROM docker.io/nvidia/cuda:12.2.2-cudnn8-runtime-ubuntu22.04ENV DEBIAN_FRONTENDnoninteractiveRUN apt-get update apt-get upgrade -y \apt-get install -y --no-install-recommends \libgl1 libglib2.0-0 wget git curl vim \python3.10 python3-pip python3-dev build-essential \openmpi-bin libopenmpi-dev jupyter-notebook jupyterRUN pip3 install tensorrt_llm -U --extra-index-url https://pypi.nvidia.com
RUN pip3 install --upgrade jinja23.0.3 pynvml11.5.0RUN rm -rf /var/cache/apt/ apt-get clean rm -rf /var/lib/apt/lists/* /tmp/* /var/tmp/* \rm -rf /root/.cache/pip/ rm -rf /*.whlWORKDIR /root
RUN git clone https://github.com/NVIDIA/TensorRT-LLM.git --branch v0.7.1ENTRYPOINT [sh,-c,jupyter notebook --allow-root --notebook-dir/root --port8888 --ip0.0.0.0 --ServerApp.token]下载模型本文以 Baichuan2-7B-Base 为例。
a.确认 tensorrt_llm 安装成功
! python3 -c import tensorrt_llm; print(tensorrt_llm.__version__)
# 0.7.1b.安装 baichuan 依赖
! cd /root/TensorRT-LLM/examples/baichuan
pip3 install -r requirements.txtc.下载 Baichuan2-7B-Chat 模型
yum install git-lfs
GIT_LFS_SKIP_SMUDGE1 git clone https://www.modelscope.cn/baichuan-inc/Baichuan2-7B-Chat.git
cd Baichuan2-7B-Chat/
git lfs pulld.将模型编译为 TensorRT Engines权重指定为 INT8。模型转换约 5 分钟。
! cd /root/TensorRT-LLM/examples/baichuan
# Build the Baichuan V2 7B model using a single GPU and apply INT8 weight-only quantization.
! python3 build.py --model_version v2_7b \--model_dir ./Baichuan2-7B-Chat \--dtype float16 \--use_gemm_plugin float16 \--use_gpt_attention_plugin float16 \--use_weight_only \--output_dir ./tmp/baichuan_v2_7b/trt_engines/int8_weight_only/1-gpu/e.使用构建好的 tensort engines 进行推理
# With INT8 weight-only quantization inference
! python3 ../run.py --input_text 世界上第二高的山峰是哪座 \--max_output_len50 \--tokenizer_dir./Baichuan2-7B-Chat \--engine_dir./tmp/baichuan_v2_7b/trt_engines/int8_weight_only/1-gpu/预期输出
Input [Text 0]: 世界上第二高的山峰是哪座
Output [Text 0 Beam 0]: 世界上第二高的山峰是喀喇昆仑山脉的乔戈里峰K2海拔高度为8611米。性能测试
使用 TensorRT-LLM 自带的 benchmark。
向 _allowed_configs dict 中添加 baichuan2_7b_chat 配置代码可参考链接 [1****1] 。 注0.7.1 版本 benchmark 还未支持 baichuan2 模型因此需要手动修改下 allowed_configs 配置。
! cd /root/TensorRT-LLM/benchmarks/python
! vim allowed_configs.py
# baichuan2_7b_chat:ModelConfig(namebaichuan2_7b_chat,familybaichuan_7b,benchmark_typegpt,build_configBuildConfig(num_layers32,num_heads32,hidden_size4096,vocab_size125696,hidden_actsilu,n_positions4096,inter_size11008,max_batch_size128,max_input_len512,max_output_len200,builder_optNone,)),运行 benchmark
! python3 benchmark.py \-m baichuan2_7b_chat \--mode plugin \--engine_dir /root/TensorRT-LLM/examples/baichuan/tmp/baichuan_v2_7b/trt_engines/int8_weight_only/1-gpu \--batch_size 1 \--input_output_len 32,50;128,50
# batch_size 并发度
# input_output_len 输入输出的长度多个测试用例用分号分隔Expected outputs
[BENCHMARK] model_name baichuan2_7b_chat world_size 1 num_heads 32 num_kv_heads 32 num_layers 32 hidden_size 4096 vocab_size 125696 precision float16 batch_size 1 input_length 32 output_length 50 gpu_peak_mem(gb) 8.682 build_time(s) 0 tokens_per_sec 60.95 percentile95(ms) 821.977 percentile99(ms) 822.093 latency(ms) 820.348 compute_cap sm86 generation_time(ms) 798.45 total_generated_tokens 49.0 generation_tokens_per_second 61.369
[BENCHMARK] model_name baichuan2_7b_chat world_size 1 num_heads 32 num_kv_heads 32 num_layers 32 hidden_size 4096 vocab_size 125696 precision float16 batch_size 1 input_length 128 output_length 50 gpu_peak_mem(gb) 8.721 build_time(s) 0 tokens_per_sec 59.53 percentile95(ms) 841.708 percentile99(ms) 842.755 latency(ms) 839.852 compute_cap sm86 generation_time(ms) 806.571 total_generated_tokens 49.0 generation_tokens_per_second 60.751对比 INT8 量化模型与原始模型性能。
原始模型执行命令
def normal_inference():from transformers import AutoModelForCausalLM, AutoTokenizerfrom transformers.generation.utils import GenerationConfigtokenizer AutoTokenizer.from_pretrained(model_path, use_fastFalse, trust_remote_codeTrue)model AutoModelForCausalLM.from_pretrained(model_path, device_mapauto, torch_dtypetorch.bfloat16, trust_remote_codeTrue)model.generation_config GenerationConfig.from_pretrained(model_path)messages []messages.append({role: user, content: prompt})response model.chat(tokenizer, messages)print(response)INT8 量化模型命令
def tensorrt_llm_inference():from subprocess import Popen, PIPEscript fpython3 /root/TensorRT-LLM/examples/run.py --input_text \{prompt}\ \--max_output_len50 \--tokenizer_dir/root/TensorRT-LLM/examples/baichuan/Baichuan2-7B-Chat \--engine_dir/root/TensorRT-LLM/examples/baichuan/tmp/baichuan_v2_7b/trt_engines/int8_weight_only/1-gpu/p Popen([sh, -c, script], stdoutPIPE,stderrPIPE)output, err p.communicate()if p.returncode ! 0:print(ftensorrt_llm_inference() error:{err})returnprint(output)TensorRT-LLM 加速方案在采用 INT8 模型量化的情况下相比于默认的 Baichuan2-7B-Chat 模型显存峰值降低了 *43.8% *时延降低了 61.1%。
参考文献
https://nvidia.github.io/TensorRT-LLM/architecture.html
https://www.anyscale.com/blog/continuous-batching-llm-inference
相关链接
[1] TensorRT-LLM
https://github.com/NVIDIA/TensorRT-LLM
[2] SmoothQuant技术
https://arxiv.org/abs/2211.10438
[3] AWQ
https://arxiv.org/abs/2306.00978
[4] GPTQ
https://arxiv.org/abs/2210.17323
[5] Orca: A Distributed Serving System for Transformer-Based Generative Models
https://help.aliyun.com/zh/eventbridge/user-guide/transform/?spma2c4g.11186623.0.0.501b5750w5RP1Q
[6] MQAMulti-query Attention
https://arxiv.org/abs/1911.02150
[7] GQAGroup-query Attention
https://arxiv.org/abs/2307.09288
[8] 安装云原生AI套件
https://help.aliyun.com/zh/ack/cloud-native-ai-suite/user-guide/deploy-the-cloud-native-ai-suite?spma2c4g.11186623.0.0.7e223d92U1aVNf
[9] 容器服务管理控制台
https://account.aliyun.com/login/login.htm?oauth_callbackhttps%3A%2F%2Fcs.console.aliyun.com%2F
[10] ecs.gn7i-c16g1.4xlarge
https://help.aliyun.com/zh/ecs/user-guide/overview-of-instance-families#gn7i
[11] 链接
https://github.com/NVIDIA/TensorRT-LLM/blob/12e82e30b0e64b0f7ada0dc5993edd3b05385964/benchmarks/python/allowed_configs.py#L940
