這是討論 NVIDIA FasterTransformer 庫的兩部分系列的第一部分，該庫是用于對任意大?。ǘ噙_(dá)數(shù)萬億個參數(shù)）的 Transformer 進(jìn)行分布式推理的最快庫之一。它提供了 FasterTransformer 的概述，包括使用該庫的好處。

使用 FasterTransformer 和 Triton 推理服務(wù)器部署 GPT-J 和 T5（第 2 部分）是一個指南，說明了使用 FasterTransformer 庫和 Triton 推理服務(wù)器以具有張量并行性的最佳方式為 T5-3B 和 GPT-J 6B 模型提供服務(wù)。

Transformers 是當(dāng)今最具影響力的 AI 模型架構(gòu)之一，正在塑造未來 AI 研發(fā)的方向。它們最初是作為自然語言處理 (NLP) 的工具而發(fā)明的，現(xiàn)在幾乎用于任何 AI 任務(wù)，包括計(jì)算機(jī)視覺、自動語音識別、分子結(jié)構(gòu)分類和金融數(shù)據(jù)處理。考慮到如此廣泛使用的是注意力機(jī)制，它顯著提高了模型的計(jì)算效率、質(zhì)量和準(zhǔn)確性。

具有數(shù)千億參數(shù)的大型基于 Transformer 的模型的行為就像一個巨大的百科全書和大腦，其中包含有關(guān)它所學(xué)到的一切的信息。他們以獨(dú)特的方式對所有這些知識進(jìn)行結(jié)構(gòu)化、表示和總結(jié)。擁有具有大量先驗(yàn)知識的此類模型使我們能夠使用新的強(qiáng)大的一次性或少量學(xué)習(xí)技術(shù)來解決許多 NLP 任務(wù)。

由于它們的計(jì)算效率，Transformer 可以很好地?cái)U(kuò)展——通過增加網(wǎng)絡(luò)的規(guī)模和訓(xùn)練數(shù)據(jù)的數(shù)量，研究人員可以改善觀察并提高準(zhǔn)確性。

然而，訓(xùn)練如此大的模型并非易事。這些模型可能需要比一個 GPU 供應(yīng)更多的內(nèi)存——甚至是數(shù)百個 GPU。值得慶幸的是，NVIDIA 研究人員已經(jīng)創(chuàng)建了強(qiáng)大的開源工具，例如 NeMo Megatron，可以優(yōu)化訓(xùn)練過程。

快速和優(yōu)化的推理使企業(yè)能夠充分發(fā)揮這些大型模型的潛力。最新研究表明，增加模型和數(shù)據(jù)集的大小可以提高這種模型在不同領(lǐng)域（NLP、CV 等）下游任務(wù)上的質(zhì)量。

同時(shí)，數(shù)據(jù)表明這種技術(shù)也適用于多域任務(wù)。（例如，參見 OpenAI 的 DALLE-2 和 Google 的 Imagen 等關(guān)于文本到圖像生成的研究論文。）依賴于大型模型的“凍結(jié)”拷貝的 p-tuning 等研究方向甚至增加了擁有穩(wěn)定且優(yōu)化的推理流程。此類大型模型的優(yōu)化推理需要分布式多 GPU 多節(jié)點(diǎn)解決方案。

用于加速推斷大型 Transformer 的庫

NVIDIA FasterTransformer (FT) 是一個庫，用于實(shí)現(xiàn)基于 Transformer 的神經(jīng)網(wǎng)絡(luò)推理的加速引擎，特別強(qiáng)調(diào)大型模型，以分布式方式跨越許多 GPU 和節(jié)點(diǎn)。

FasterTransformer 包含 Transformer 塊的高度優(yōu)化版本的實(shí)現(xiàn)，其中包含編碼器和解碼器部分。

使用此模塊，您可以運(yùn)行完整的編碼器-解碼器架構(gòu)（如 T5）以及僅編碼器模型（如 BERT）或僅解碼器模型（如 GPT）的推理。它是用 C++/CUDA 編寫的，依賴于高度優(yōu)化的 cuBLAS、cuBLASLt 和 cuSPARSELt 庫。這使您可以在 GPU 上構(gòu)建最快的 Transformer 推理流程。

圖 1.使用張量并行（張量 MP 分區(qū)）和管道并行（管道 MP 分區(qū)），在四個 GPU 之間分布了幾個 transformer / attention 塊

與 NVIDIA TensorRT 等其他編譯器相比，F(xiàn)T 的顯著特點(diǎn)是它支持以分布式方式推斷大型 Transformer 模型。

上圖顯示了如何使用張量并行 (TP) 和流水線并行 (PP) 技術(shù)將具有多個經(jīng)典 transformer/attention 的神經(jīng)網(wǎng)絡(luò)拆分到多個 GPU 和節(jié)點(diǎn)上。

當(dāng)每個張量被分成多個塊時(shí)，就會發(fā)生張量并行性，并且張量的每個塊都可以放置在單獨(dú)的 GPU 上。在計(jì)算過程中，每個塊在不同的 GPU 上單獨(dú)并行處理，并且可以通過組合來自多個 GPU 的結(jié)果來計(jì)算結(jié)果（最終張量）。

當(dāng)模型被深度拆分并將不同的完整層放置到不同的 GPU/節(jié)點(diǎn)上時(shí)，就會發(fā)生流水線并行。

在底層，啟用節(jié)點(diǎn)間/節(jié)點(diǎn)內(nèi)通信依賴于 MPI 和 NVIDIA NCCL。使用此軟件堆棧，您可以在多個 GPU 上以張量并行模式運(yùn)行大型 Transformer，以減少計(jì)算延遲。

同時(shí)，TP 和 PP 可以結(jié)合在一起，在多 GPU 和多節(jié)點(diǎn)環(huán)境中運(yùn)行具有數(shù)十億和數(shù)萬億個參數(shù)（相當(dāng)于 TB 級權(quán)重）的大型 Transformer 模型。

除了 C 中的源代碼，F(xiàn)asterTransformer 還提供 TensorFlow 集成（使用 TensorFlow 操作）、PyTorch 集成（使用 PyTorch 操作）和 Triton 集成作為后端。

目前，TensorFlow op 僅支持單 GPU，而 PyTorch op 和 Triton 后端都支持多 GPU 和多節(jié)點(diǎn)。

為了避免為模型并行性而拆分模型的額外工作，F(xiàn)asterTransformer 還提供了一個工具，用于將模型從不同格式拆分和轉(zhuǎn)換為 FasterTransformer 二進(jìn)制文件格式。然后 FasterTransformer 可以直接以二進(jìn)制格式加載模型。

目前，F(xiàn)T 支持 Megatron-LM GPT-3、GPT-J、BERT、ViT、Swin Transformer、Longformer、T5 和 XLNet 等模型。您可以在 GitHub 上的 FasterTransformer 存儲庫中查看最新的支持矩陣。

FT 適用于計(jì)算能力 >= 7.0 的 GPU，例如 V100、A10、A100 等。

圖 2.GPT-J 6B 模型推斷和加速比較

FasterTransformer 中的優(yōu)化

與深度學(xué)習(xí)訓(xùn)練的通用框架相比，F(xiàn)T 使您能夠獲得更快的推理管道，并且基于 Transformer 的 NN 具有更低的延遲和更高的吞吐量。

允許 FT 對 GPT-3 和其他大型 Transformer 模型進(jìn)行最快推理的一些優(yōu)化技術(shù)包括：

層融合——預(yù)處理階段的一組技術(shù)，將多層神經(jīng)網(wǎng)絡(luò)組合成一個單一的神經(jīng)網(wǎng)絡(luò)，將使用一個單一的內(nèi)核進(jìn)行計(jì)算。這種技術(shù)減少了數(shù)據(jù)傳輸并增加了數(shù)學(xué)密度，從而加速了推理階段的計(jì)算。例如，multi-head attention 塊中的所有操作都可以合并到一個內(nèi)核中。

圖 3. NVIDIA Faster transformer 庫中緩存機(jī)制的演示

自回歸模型/激活緩存的推理優(yōu)化

為了防止通過 Transformer 重新計(jì)算每個新 token 生成器的先前鍵和值，F(xiàn)T 分配一個緩沖區(qū)來在每一步存儲它們。

雖然需要一些額外的內(nèi)存使用，但 FT 可以節(jié)省重新計(jì)算的成本、在每一步分配緩沖區(qū)以及連接的成本。該過程的方案上圖 所示。相同的緩存機(jī)制用于 NN 的多個部分。

內(nèi)存優(yōu)化

與 BERT 等傳統(tǒng)模型不同，大型 Transformer 模型具有多達(dá)數(shù)萬億個參數(shù)，占用數(shù)百 GB 存儲空間。即使我們以半精度存儲模型，GPT-3 175b 也需要 350 GB。因此有必要減少其他部分的內(nèi)存使用。

例如，在 FasterTransformer 中，我們在不同的解碼器層重用了激活/輸出的內(nèi)存緩沖區(qū)。由于 GPT-3 中的層數(shù)為 96，因此我們只需要 1/96 的內(nèi)存量用于激活。

使用 MPI 和 NCCL 實(shí)現(xiàn)節(jié)點(diǎn)間/節(jié)點(diǎn)內(nèi)通信并支持模型并行性

在 GPT 模型中，F(xiàn)asterTransormer 同時(shí)提供張量并行和流水線并行。對于張量并行性，F(xiàn)asterTransformer 遵循了 Megatron 的思想。對于自注意力塊和前饋網(wǎng)絡(luò)塊，F(xiàn)T 按行拆分第一個矩陣的權(quán)重，并按列拆分第二個矩陣的權(quán)重。通過優(yōu)化，F(xiàn)T 可以將每個 Transformer 塊的歸約操作減少到兩倍。

對于流程并行性，F(xiàn)asterTransformer 將整批請求拆分為多個微批，隱藏了通信的泡沫。FasterTransformer 會針對不同情況自動調(diào)整微批量大小。

MatMul 內(nèi)核自動調(diào)整（GEMM 自動調(diào)整）

矩陣乘法是基于 Transformer 的神經(jīng)網(wǎng)絡(luò)中主要和最繁重的操作。FT 使用來自 CuBLAS 和 CuTLASS 庫的功能來執(zhí)行這些類型的操作。重要的是要知道 MatMul 操作可以在“硬件”級別使用不同的低級算法以數(shù)十種不同的方式執(zhí)行。

GemmBatchedEx 函數(shù)實(shí)現(xiàn) MatMul 操作，并以“cublasGemmAlgo_t”作為輸入?yún)?shù)。使用此參數(shù)，您可以選擇不同的底層算法進(jìn)行操作。

FasterTransformer 庫使用此參數(shù)對所有底層算法進(jìn)行實(shí)時(shí)基準(zhǔn)測試，并為模型的參數(shù)和您的輸入數(shù)據(jù)（注意層的大小、注意頭的數(shù)量、隱藏層的大?。┻x擇最佳的一個。此外，F(xiàn)T 對網(wǎng)絡(luò)的某些部分使用硬件加速的底層函數(shù)，例如 __expf、__shfl_xor_sync。

精度較低的推理

FT 的內(nèi)核支持使用 fp16 和 int8 中的低精度輸入數(shù)據(jù)進(jìn)行推理。由于較少的數(shù)據(jù)傳輸量和所需的內(nèi)存，這兩種機(jī)制都允許加速。同時(shí)，int8 和 fp16 計(jì)算可以在特殊硬件上執(zhí)行，例如張 Tensor Core（適用于從 Volta 開始的所有 GPU 架構(gòu)），以及即將推出的 Hopper GPU 中的 Transformer 引擎。

更多

快速的 C++ BeamSearch 實(shí)現(xiàn)
針對 TensorParallelism 8 模式優(yōu)化 all-reduce 當(dāng)模型的權(quán)重部分在 8 個 GPU 之間拆分時(shí)
具有 FasterTransformer 后端的 NVIDIA Triton 推理服務(wù)器

NVIDIA Triton 推理服務(wù)器是一款開源推理服務(wù)軟件，有助于標(biāo)準(zhǔn)化模型部署和執(zhí)行，在生產(chǎn)中提供快速且可擴(kuò)展的 AI。Triton 穩(wěn)定且快速，允許您使用準(zhǔn)備好的 Docker 容器以簡單的方式運(yùn)行 ML/DL 模型的推理，該容器僅使用一行代碼和簡單的類似 JSON 的配置。

Triton 支持使用多個后端的模型，例如 PyTorch、TorchScript、Tensorflow、ONNXRuntime 和 OpenVINO。Triton 采用您在其中一個框架中訓(xùn)練的導(dǎo)出模型，并使用相應(yīng)的后端為您透明地運(yùn)行該模型進(jìn)行推理。它也可以使用自定義后端進(jìn)行擴(kuò)展。Triton 使用 HTTP/gRPC API 包裝您的模型，并為多種語言提供客戶端庫。

圖 4. Triton 推理服務(wù)器，具有多個后端，用于對使用不同框架訓(xùn)練的模型進(jìn)行推理

Triton 包含 FasterTransformer 庫作為后端（圖 4），該庫支持使用 TP 和 PP 運(yùn)行大型 Transformer 模型的分布式多 GPU、多節(jié)點(diǎn)推理。今天，帶有 FasterTransformer 后端的 Triton 支持 GPT-J、GPT-Megatron 和 T5 模型。

有關(guān)演示使用 NVIDIA Triton 和 NVIDIA FasterTransformer 在優(yōu)化推理中運(yùn)行 T5-3B 和 GPT-J 6B 模型的過程的指南，請參閱使用 FasterTransformer 和 Triton 推理服務(wù)器部署 GPT-J 和 T5。

審核編輯：湯梓紅