背景与最新技术
在自然语言处理 (NLP) 领域,语言模型旨在根据过去输入的标记序列生成一个标记(例如单词)。大型语言模型 (LLM) 是该领域最新的深度学习创新,旨在以类似人类的方式生成文本。这些模型通常使用Transformer来提高它们对大量输入标记序列的注意力。
LLaMA,由Meta AI开源,是一个强大的基础 LLM,训练数据超过 1 万亿标记。LLaMA 与许多同类最佳模型(如GPT-3、Chinchilla、PaLM)具有竞争力。LLaMA (13B) 优于 GPT-3 (175B),这突出显示了它从每个模型参数中提取更多计算能力的能力。
在这篇博客文章中,我们使用 LLaMA 作为示例模型来演示 PyTorch/XLA 在 LLM 推理方面的能力。我们讨论了本文中讨论的计算技术和优化如何将由 Google Cloud TPU v4 (v4-16) 提供支持的 65B 参数 LLaMA 模型的推理延迟缩短 6.4 倍。
模型概述
我们演示了 PyTorch/XLA 在 Meta 最新 LLM LLaMA 上的性能。我们展示了对一系列常见 LLaMA 配置的性能优化。请注意,175B 参数模型配置在公共领域中不存在。对于下面提到的 175B 参数模型,我们将OPT 175B 模型配置应用于 LLaMA 代码库。除非另有说明,在所有配置中,我们使用max_seq_len=256
和dtype=bfloat16
表示权重和激活。
表 1:本文探讨的模型配置
LLaMA | 模型超参数 | |||
参数数量 | 维度 | N 头 | N 层 | 最大序列长度 |
7B | 4,096 | 32 | 32 | 256 |
33B | 6,656 | 52 | 60 | 256 |
65B | 8,192 | 64 | 80 | 256 |
175B | 12,288 | 96 | 96 | 256 |
LLM 的性能挑战
LLM 具有一些特性,使其难以进行编译器优化。(a) LLM 使用自回归解码来生成基于先前标记的下一个标记;这意味着提示张量和缓存具有动态形状。(b) LLM 必须处理可变输入提示长度,而不会因输入张量形状变化而触发重新编译;输入张量必须正确分桶和填充以避免重新编译。(c) LLM 通常需要比单个 TPU(或 GPU)设备支持的内存更多。需要模型分片方案才能将模型适应分布式计算架构。例如,一个具有 65B 参数的 LLaMA 模型可以适应 v4-16 Cloud TPU,这与 8 个 A100 GPU 相当。(d) 在生产中运行 LLM 可能很昂贵;提高每总拥有成本性能 (Perf/TCO) 的一种方法是通过量化;量化可以潜在地降低硬件要求。
PyTorch/XLA 中的推理技术栈
我们的目标是为 AI 社区提供高性能推理堆栈。PyTorch/XLA 与TorchDynamo、PjRt、OpenXLA以及各种模型并行方案集成。TorchDynamo 消除运行时跟踪开销,PjRt 实现高效的主机-设备通信;PyTorch/XLA 可追溯集合通过TorchDynamo在 LLaMA 上实现模型和数据并行。要尝试我们的结果,请使用我们的自定义torch、torch-xla轮子来重现我们的LLaMA 推理解决方案。PyTorch/XLA 2.1 将默认支持本文讨论的功能。
并行计算
FairScale分片
LLaMA 使用 FairScale 模型分片 API (fairscale.nn.model_parallel.layers)。我们使用 PyTorch/XLA 通信集合 (CC) 操作(例如all-reduce
)构建了此 API 的等效表示,以在加速器之间通信程序状态(例如激活)。TorchDynamo 目前不完全支持捕获 CC 操作(又名可追溯集合)。如果没有此支持,TorchDynamo FX 图将在每次设备通信处(即每个模型层)被切断。图切断会导致性能损失,因为底层 XLA 编译器失去了完整的图优化机会。为了解决这个问题,我们通过将调度程序集合集成到我们现有的 CC API 中来提供 PyTorch/XLA 可追溯集合。不同之处在于,鉴于 PyTorch/XLA 的惰性执行性质,我们不需要在集合之后插入c10d.wait()
操作。通过支持可追溯集合,PyTorch/XLA 允许在 TorchDynamo 中生成奇异 FX 图。
PyTorch/XLA 上的自回归解码
LLM 需要自回归解码以将前一个单词作为提示来预测下一个标记。自回归解码导致无边界的动态形状问题,这反过来又导致每个提示的重新编译。我们优化了 LLaMA 自回归解码器,使其使用固定形状操作,在每次标记生成期间就地更新 KV 缓存、输出序列和注意力掩码。通过结合填充、掩码和索引操作,我们避免了过度的图重新编译,从而实现了高效的自回归解码。
KV 缓存优化
LLaMA 使用 KV 缓存实现自回归解码。对于每个生成的标记,KV 缓存存储每个 Transformer 层的注意力键/值激活。因此,在解码新标记时,不再需要重新计算先前标记的键/值。
在 LLaMA 中,KV 缓存张量切片是就地更新的;这会导致每次生成标记时发生重新编译事件。为了解决这个问题,我们使用索引张量和tensor.index_copy()
操作来替换就地切片更新。注意力掩码和输出序列也受益于相同的优化。
输入提示优化
可变长度输入提示在 LLM 应用程序中很常见。此属性导致输入张量形状动态性,进而导致重新编译事件。在处理提示以填充 KV 缓存时,我们要么 (a) 逐标记处理输入提示,要么 (b) 在一次迭代中处理整个提示。每种方法的优缺点如下:
- 预编译 1 个图并逐标记处理提示
- 实用:在预热期间编译 1 个图
- 慢:处理输入提示长度L为O(L)——对于长提示来说是缺点
- 预编译所有图,输入长度范围从 1 到 max_seq_len(例如 2,048)
- 不实用:在预热期间预编译和缓存max_seq_len图
- 快:1 次图执行即可处理完整的提示
我们引入了提示长度分桶,这是一种在两种替代方案之间取得平衡的优化。我们定义了一组递增的桶大小,(b0,b1,b2,…,bB-1),然后根据这些桶值预编译程序图,(G0,G1,G2,…,GB-1);B是桶的数量。对于给定的输入提示,我们将提示长度向上舍入到最接近的桶值bn,填充序列,并使用Gn在一次迭代中处理提示。填充标记上的计算被丢弃。对于大于最大桶大小的提示,我们分段处理它们。
最佳桶大小应由目标应用程序中的提示长度分布决定。在这里,我们采用的桶长度为:128、256、384、512。任何输入提示(最多 2,047 个标记)最多需要 4 次图执行。例如,一个 1,500 个输入提示,生成长度为 256,需要 260 次图执行——4 次处理输入,256 次生成输出。
量化
量化减少了表示值所需的位数;它减少了通过多个加速器节点(通过集合)通信数据的带宽,并降低了服务特定模型大小的硬件要求。
通常,对于BF16
权重,一个 175B 参数模型将消耗大约 351GB 内存,因此需要 v4-32 实例才能容纳该模型。通过将权重量化为INT8
,我们将模型大小减少了大约 50%,使其可以在较小的 v4-16 实例上运行。由于 LLaMA 对模型激活进行分片,因此量化提供了可忽略不计的通信增益。
在我们的实验中,我们对线性层进行了量化。由于 LLaMA 模型检查点未公开可用,并且我们的目标是评估性能,因此量化模型使用随机权重进行初始化。最近的文献,如AWQ和Integer or Floating Point?,提供了关于 LLaMA 在各种低位量化方案下的性能特性的见解。
批量大小对量化性能的影响
TPU v4被编程为当模型批量大小 (BS) > 1 时在矩阵乘法单元 (MXU) 上运行matmul
。当 BS = 1 时,matmul
在向量处理器单元 (VPU) 上运行。由于 MXU 比 VPU 更高效,INT8
量化在 BS>1 时获得性能。有关详细信息,请参阅性能分析部分。
操作支持
有时,新模型会引入新的数学运算,需要 PyTorch/XLA 扩展其支持的编译操作集。对于 LLaMA,我们支持:多项式。
方法
LLaMA 在 PyTorch/XLA 上开箱即用,支持 LazyTensorCore。我们将此配置作为我们后续分析的基准。所有实验都假设 256 个长输入提示。在没有公开可用模型检查点的情况下,我们使用随机张量初始化进行此推理堆栈优化工作。模型检查点预计不会改变此处讨论的延迟结果。
模型尺寸
假设N
是参数数量,dimensions
是隐藏大小,n_layers
是层数,n_heads
是注意力头数,可以使用以下方程来近似模型大小。有关详细信息,请参阅模型概述部分。
N = (dimensions)^2 * n_layers * 12
n_heads
不影响N
,但以下方程适用于开源模型配置。
dim = 128 * n_heads
缓存大小
模型参数和注意力块中的缓存层都会导致内存消耗。由于默认 LLaMA 模型使用BF16
权重,因此本节中的内存消耗计算基于BF16
权重。
缓存层的大小由cache_size = max_batch_size * max_seq_len * dimensions
计算。在以下计算中,max_batch_size = 1
和max_seq_len = 256
用作示例配置。每个注意力块中有 2 个缓存层。因此,LLaMA 总缓存大小(以字节为单位)为total_cache_size = n_layers * 2 * cache_size * (2 bytes)
。
TPU v4 硬件尺寸
每个 TPU v4 芯片具有 32GB 的可用高带宽内存 (HBM)。表 2 详细说明了内存消耗和容纳 LLaMA 模型所需的 TPU 芯片数量。
表 2:LLaMA TPU v4 HBM 要求(即 TPU v4 芯片要求)
参数数量 | 参数 (MB) | 缓存 (MB) | 总计 (GB) | TPU v4 芯片的最小数量 |
7B | 14,000 | 134 | 14.128 | 1 |
33B | 66,000 | 408 | 66.41 | 3 |
65B | 130,000 | 671 | 130.67 | 5 |
175B | 350,000 | 1,208 | 351.21 | 11 |
指标
以下是衡量推理速度的有用指标。假设T
是总时间,B
是批量大小,L
是解码序列长度。
延迟定义
延迟是获取目标长度L
解码结果所需的时间,与批量大小B
无关。延迟表示用户等待生成模型响应的时间。
Latency = T (s)
每标记延迟
自回归解码的一步为批处理中的每个样本生成一个标记。每标记延迟是该一步的平均时间。
Per-token latency = T / L (s/token)
吞吐量
吞吐量衡量每单位时间生成的标记数。虽然它不是评估在线服务的有用指标,但它对于衡量批处理速度很有用。
Throughput = B * L / T (tokens/s)
为了最大程度地减少混淆和误解,最好避免使用T / (B * L)
等指标,因为它混合了延迟和吞吐量。
结果
图 1 显示了 LLaMA 7B 到 175B 模型的每标记延迟结果。在每种情况下,模型都在一系列 TPU v4 配置上运行。例如,LLaMA 7B 在 v4-8 和 v4-16 上分别显示 4.7ms/标记和 3.8ms/标记。有关更多比较,请访问 HuggingFace LLM 性能排行榜。
在没有本文讨论的功能的情况下,在 v4-32 上运行的 LLaMA 65B 提供了 120ms/标记而不是这里获得的 14.5ms/标记,从而实现了8.3 倍的加速。如前所述,鼓励开发人员尝试我们的自定义torch、torch-xla轮子,这些轮子可重现此处共享的LLaMA 推理结果。
图 1:TPU v4 硬件上的 LLaMA 推理性能
PyTorch/XLA:GPU 性能优于 PyTorch:GPU eager,并且与 PyTorch Inductor 相似。PyTorch/XLA:TPU 性能优于 PyTorch/XLA:GPU。在不久的将来,XLA:GPU 将提供优化,使其与 XLA:TPU 保持一致。单个 A100 配置仅适用于 LLaMA 7B,而 8-A100 不适用于 LLaMA 175B。
图 2:GPU A100 硬件上的 LLaMA 推理性能
随着批量大小的增加,我们观察到每标记延迟呈次线性增长,这突出了硬件利用率和延迟之间的权衡。
图 3:不同批量大小下的 LLaMA 推理性能
我们的研究表明,最大序列输入长度(max_seq_len
)对推理延迟的影响相对较小。我们将其归因于标记生成的顺序和迭代性质。性能上的微小差异可能是由于 KV 缓存访问延迟随存储大小增加而变化所致。
图 4:不同提示长度下的 LLaMA 推理性能
LLM 通常是内存密集型应用程序;因此,通过量化模型参数,我们可以实现在 MXU 上单位时间加载和执行更大的张量(即 HBM ⇒ CMEM 和 CMEM ⇒ MXU 数据移动)。图 5 显示,INT8
仅权重量化提供了 1.6 倍至 1.9 倍的加速,从而允许在给定硬件上运行更大的模型。
当 BS=1 时,INT8 张量被调度到 VPU,VPU 小于 MXU(参见TPU v4 论文);否则,使用 MXU。因此,当 BS=1 时,量化内存带宽增益被 MXU 利用率不足所抵消。然而,当 BS>1 时,内存增益在量化模型上提供了卓越的延迟。例如,在 175B 参数 LLaMA 的情况下,带量化的 v4-16 和不带量化的 v4-32 提供相似的性能。请注意,我们不提供FP8
比较,因为 PyTorch 尚未提供此数据类型。
图 5:LLaMA 推理性能与仅权重量化。缺失的蓝色条表示模型大小不适合指定的 TPU 硬件。
图 6 演示了 PyTorch/XLA 随着输入提示长度从 10 个标记增加到 1,500 个标记而保持稳定的性能优势。这种强大的扩展能力表明 PyTorch/XLA 的重新编译事件最少,从而支持广泛的实际应用。在此实验中,最大长度为 2,048,最大生成长度为 256。
图 6:LLaMA 推理性能与输入提示长度
最终想法
我们对 PyTorch/XLA 的未来感到兴奋,并邀请社区加入我们。PyTorch/XLA 完全在开源中开发。因此,请在GitHub上提交问题、提交拉取请求和发送 RFC,以便我们公开协作。您还可以亲自试用 PyTorch/XLA,在各种 XLA 设备(包括 TPU 和 GPU)上。
祝好,
Google 的 PyTorch/XLA 团队
#PyTorch驱动