社区供稿 | 聊聊推理加速

468次阅读

推理优化部署、推理加速技术是现在，尤其在大模型时代背景之下，消费级 GPU 和边端设备仍为主流的状况下。推理加速是实际工程落地的首要考虑因素之一，今天笔者来聊聊涉及到的可以实现大模型推理加速的技术。

训练：训练大型的过度参数化的模型，得到最佳网络性能，以此为基准；
修剪：根据特定标准修剪训练的大模型，即重新调整网络结构中的通道或层数等，来得到一个精简的网络结构；
微调：微调修剪的模型以重新获得丢失的性能，这里一般做法是将修剪后的大网络中的保留的（视为重要的）参数用来初始化修剪后的网络，即继承大网络学习到的重要参数，再在训练集上 finetune 几轮。

重要性判断

那么怎么判断哪些参数是冗余或者不重要的呢？对权重 (weight) 而言，我们可以通过计算它的 l1,l2 值来判断重要程度对 neuron 而言，我们可以给出一定的数据集，然后查看在计算这些数据集的过程中 neuron 参数为 0 的次数，如果次数过多，则说明该 neuron 对数据的预测结果并没有起到什么作用，因此可以去除。

为什么要剪枝？

那我们不禁要问，既然最后要得到一个小的 network，那为什么不直接在数据集上训练小的模型，而是先训练大模型?

解释一

一个比较普遍接受的解释是因为模型越大，越容易在数据集上找到一个局部最优解，而小模型比较难训练，有时甚至无法收敛。

解释二

2018年的一个发表在 ICLR 的大乐透假设 (Lottery Ticket Hypothesis) 观察到下面的现象：
https://arxiv.org/abs/1803.03635

首先看最左边的网络，它表示大模型，我们随机初始化它权重参数（红色）。然后我们训练这个大模型得到训练后的模型以及权重参数（紫色）。最后我们对训练好的大模型做剪枝得到小模型。

实际操作分析

前面提到模型剪枝可以从 weight 和 neuron 两个角度进行，下面就分别介绍实际可操作性：

weight pruning

每个节点的输出和输出节点数都会变得不规则，这样一来有两个方面的问题：- 使用 Pytorch，Keras 实现起来不方便 – GPU 是对矩阵运算做加速，现在都变得不规则，看起来似乎GPU面对这种情况也无能为力。2016 年的一篇文章对 AlexNet 就做了这样的实验，实验结果是模型参数去掉了将近 90%，最后的准确率只降低了 2% 左右，说明 weight pruning 的确能够在保证模型准确率的同时减少了模型大小，but！最后实验发现模型计算的速度似乎并没有提速，甚至对有的结构的修改使得速度降低了。

neuron pruning

删减 neuron 之后网络结构能够保持一定的规则，实现起来方便，而且也能起到一定的加速作用。

示例：

Optimum 是针对大模型（基于 transformer 的）视觉、语音、语音提出的框架，通过和 ONNX Runtime 的集成进行训练，为许多流行的 Hugging Face 模型提供了一个开放的解决方案，针对特定的硬件（Nvidia GPU、Intel）在微调大模型、训练与推理取得进步，可以将训练时间缩短 35% 或更多。使用方法参见：
tps://https://hf.co/docs/optimum/index

例如，可以使用 Optimum 支持的 Intel Neural Compressor 工具集对一些模型库进行剪枝优化，相关的剪枝详细说明可以参见文档https:// :
https://github.com/intel/neural-compressor/tree/master/neural_compressor/compression/pruner#pruning-types

1.2 量化

量化就是将这些连续的权值进一步稀疏化、离散化。进行离散化之后，相较于原来的连续稠密的值就可以用离散的值来表示了。

1. less bits

一个很直观的方法就是使用更少 bit 来存储数值，例如一般默认是 32 位，那我们可以用 16 或者 8 位来存数据。

2. weight clustering

最左边表示网络中正常权重矩阵，之后我们对这个权重参数做聚类，比如最后得到了 4 个聚类，那么为了表示这 4 个聚类我们只需要 2 个 bit，即用 00,01,10,11 来表示不同聚类。之后每个聚类的值就用均值来表示。这样的一个缺点就是误差可能会比较大。

感知量化训练 Quantization Aware Training (QAT)
训练后量化 Post-traning Quantization (PTQ) Static/ Dynamic
量化部署 Deployment of Quantization

特点

参数压缩
提升速度
降低内存
功耗降低
提升芯片面积

量化落地挑战

硬件支持程度
不同硬件支持的低比特指令不同
精度挑战
软件算法是否能加速

示例：

AutoGPT库

Hugging Face 的 AutoGPT 库支持 GPTQ 量化 Transformer 支持的大模型．AutoGPTQ 代码库覆盖了大量的 transformers 模型，并且经集成了包括 CUDA 算子在内的最常用的优化选项。对于更多高级选项如使用 Triton 算子和（或）兼容注意力的算子融合，请查看 AutoGPTQ 代码库。感兴趣的朋友可以尝试，非常推荐！
https://github.com/PanQiWei/AutoGPTQ

使用 AutoGPT 量化大语言模型做测评，使用长度为 512 个词元的提示文本，并精确地生成 512 个新词元，在英伟达 A100-SXM4-80GB GPU 上运行, 在表格里记录了不同算子的内存开销和推理性能，全面的、可复现的测评结果可以在下列链接取得:
https://github.com/huggingface/optimum/tree/main/tests/benchmark#gptq-benchmark

1.3 蒸馏

整个知识蒸馏过程中会用到两个模型：大模型（Teacher Net）和小模型（Student Net）。

具体方法是我们先用大模型在数据集上学习到收敛，并且这个大模型要学的还不错，因为后面我们要用大模型当老师来教小模型学习嘛，如果大模型本身都没学好还教个锤子，对吧？

我们以 MNIST 数据集为例，假设大模型训练好了，现在对于一张数字为“1”的图像，大模型的输出结果是由 0.7 的概率是 1, 0.2 的概率是 7, 0.1 的概率是 9，这是不是有一定的道理？相比如传统的 one-hot 格式的label信息，这样的 label 包含更多的信息，所以 Student Net 要做的事情就是对于这张数字为“1”的图像，它的输出结果也要尽量接近 Teacher Net 的预测结果。

那 Student Net 到底如何学习呢？首先回顾一下在多类别分类任务中，我们用到的是 softmax 来计算最终的概率。

但是这样有一个缺点，因为使用了指数函数，如果在使用 softmax 之前的预测值是 x1=100, x2=10, x3=1,那么使用 softmax 之后三者对应的概率接近于 y1=1, y2=0, y3=0，那这和常规的 label 无异了，所以为了解决这个问题就引入了一个新的参数T,称之为 Temperature。

1.4 结构设计 Architecture Design

1. Low Rank Approximation (低秩近似)

但是低秩近似之所以叫低秩，是因为原来的矩阵的秩最大可能是 min(M,N), 而新增一层后可以看到矩阵 U 和 V 的秩都是小于等于 K 的，我们知道 rank(AB)≤min(rank(A), rank(B)), 所以相乘之后的矩阵的秩一定还是小于等于 K。那么这样会带来什么影响呢？那就是原先全连接层能表示更大的空间，而现在只能表示小一些的空间了。

而低秩近似的原理就是在两个全连接层之间再插入一层 K。是不是很反直观？插入一层后，参数还能变少？

2. Depthwise Separable Convolution

首先看一下标准卷积所需要的参数量。输入数据由两个 66 的 feature map 组成，之后用 4 个大小为 33 的卷积核做卷积，最后的输出特征图大小为 444。每个卷积核参数数量为 233=18,所以总共用到的参数数量为 4*18=72。

而 Depthwise Separable 卷积分成了两步。

首先是输入数据的每个通道只由一个二维的卷积核负责，即卷积核通道数固定为 1，而不是像上面那样，每个卷积核的通道数和输入通道数保持一致。这样最后得到的输出特征图的通道数等于输入通道数。

因为第一步得到的输出特征图是用不同卷积核计算得到的，所以不同通道之间是独立的，因此我们还需要对不同通道之间进行关联。为了实现关联，在第二步中使用了 11 大小的卷积核，通道数量等于输入数据的通道数量。另外 11 卷积核的数量等于预期输出特征图的通道数，在这里等于 4。最后我们可以得到和标准卷积一样的效果，而且参数数量更少：332+(112)*4=26。

二、模型压缩

模型压缩和量化技术：需要掌握模型压缩和量化技术，如低秩分解、矩阵分解、哈希表、矩阵量化等，以及它们在减少模型计算量和内存占用方面的作用。

模型压缩算法能够有效降低参数冗余，从而减少存储占用、通信带宽和计算复杂度，有助于深度学习的应用部署，具体可划分为如下几种方法（量化、剪枝与NAS是主流方向）：

线性或非线性量化：1/2bits, INT4, INT8, FP16 和 BF16 等；
结构或非结构剪枝：Sparse Pruning, Channel pruning 和 Layer drop等；
网络结构搜索 (NAS: Network Architecture Search)：ENAS、Evolved Transformer、NAS FCOS、NetAdapt 等离散搜索，DARTS、AdaBert、Proxyless NAS、FBNet 等可微分搜索，SPOS、FairNAS、BigNAS、HAT、DynaBert 与 AutoFormer 等 One-shot 搜索；
其他：权重矩阵的低秩分解、知识蒸馏与网络结构精简设计（Mobile-net, SE-net, Shuffle-net, PeleeNet, VoVNet, MobileBert, Lite-Transformer, SAN-M）等；

三、硬件加速

了解常见的硬件加速技术，如 ASIC、FPGA、GPU 等，了解它们的特点、优缺点和使用方法。

AI 芯片目前三种方案。GPU 目前被英伟达和 AMD 牢牢把控。ASIC 目前最火，TPU、NPU 等属于 ASIC 范畴。

FPGA 的并行处理能力应该是大于 GPU 的，GPU 主要优势在计算，而且用起来也比 FPGA 方便，还是偏软件的思维。FPGA 还是硬件思维，计算能力强，控制也强，低延时，但是开发和应用都不如 GPU 方便。

总结：FPGA 比 GPU 更灵活，但开发周期更长，使用门槛更高，时延更低，功耗更低，并行度等于或大于 GPU，但是一些特定计算比如浮点计算不如 GPU。[感谢 FPGA 专家小方~ ]

四、GPU 加速

了解 GPU 的基本原理和使用方法，掌握 CUDA 和 cuDNN 等 GPU 加速工具的使用。

跟训练一样，推理的加速离不开算子融合这一方案。不过相对于训练而言，在推理上进行算子融合有更好的灵活性，主要体现有两点：

推理上的算子融合不需要考虑反向，所以 Kernel 开发过程中不需要考虑保存计算梯度所需要的中间结果；
推理过程允许预处理，我们可以对一些只需要一次计算便可重复使用的操作，提前算好，保留结果，每次推理时直接调用从而避免重复计算。

在 NVIDIA GPU 环境上，我们通过 CUDA Kernel 来执行大部分运算，矩阵乘法（GEMM），激活函数，softmax 等，一般来说每个操作都对应一次 Kernel 调用。但是每次 Kernel 调用都有一些额外开销，比如 gpu 和 cpu 之间的通信，内存拷贝等，因此我们可以将整个 Attention 的计算放进同一个 Kernel 实现，省略这些开销，在 Kernel 中也可以实现一些 Attention 专用的优化。比如 Facebook 的 xformers 库就为各种 Attention 变种提供了高效的 CUDA 实现。主流的推理库也基本都自带了高效的 Kernel 实现。

在推理侧，我们可以进行不少的算子融合，这里给出的是我们在 Transformer 模型中常见的一些算子融合的 pattern 以及实现相关 pattern 所需要用到的工具。

举个例子，我们单独列出矩阵乘法和卷积，是因为有一大类算子融合是围绕它们进行的，对于矩阵乘法相关的融合，我们可以考虑采用 cublas，cutlass，cudnn 这三个库；对于卷积，我们可以采用 cudnn 或者 cutlass。那么对于矩阵乘法的算子融合而言，在 Transformer 模型中，我们归纳为 gemm + elementwise 的操作，比如 gemm + bias, gemm + bias + 激活函数等，这一类的算子融合，我们可以考虑直接调用 cublas 或 cutlass 来实现。

五、模型并行化和分布式计算技术

随着模型规模增大，单台设备往往不足以满足推理需求，所以需要将模型和数据拆分为多个子模型、子集，并分布在多个 GPU 或计算节点上进行处理，能够有效提高整体推理速度。掌握模型并行化和分布式计算的基本原理和实现方法，了解模型并行化在大模型推理加速中的应用。

在大模型的训练和推理过程中，我们有以下几种主流的分布式并行方式：

数据并行（DataParallel）：将模型放在多个 GPU 上，每个 GPU 都包含完整的模型，将数据集切分成多份，每个 GPU 负责推理一部分数据。
流水线并行（PipelineParallel）：将模型纵向拆分，每个 GPU 只包含模型的一部分层，数据在一个 GPU 完成运算后，将输出传给下一个 GPU 继续计算。
张量并行（TensorParallel）：将模型横向拆分，将模型的每一层拆分开，放到不同的 GPU 上，每一层的计算都需要多个 GPU 合作完成。