您现在的位置是：首页 > 文章详情

推理加速性能超越英伟达FasterTransformer 50%，开源方案打通大模型落地关键路径

日期：2022-05-31点击：388收藏

伴随着深度学习模型规模的指数型增长，常见的单卡推理解决方案已然无法满足前沿AI大模型的推理需求。例如1750亿参数的GPT-3模型，仅仅是加载模型参数就需要数百GB的存储空间，远超单个GPU的容纳能力。因此，对于AI大模型使用多卡并行的方式进行推理已成为必然选择。

针对现有推理系统的这一痛点，Colossal-AI团队以“高性能、高可用、可伸缩”的理念，深入单实例多设备推理场景，开发了大模型推理系统Energon-AI，在性能和易用性上兼具优势：

仅需对现有项目进行极 少量修改 ，用户便可 完成自定义大模型 的 推理部署，获得 并行扩展的超线性加速，对于 AI 大模型 分布式 推理加速，相比英伟达FasterTransformer可提升50%以上。

相比现有推理方案，Energon-AI不再需要用户对通信、内存等各部分协作进行手动管理，也无需额外编译，大幅降低了用户的使用门槛。

开源地址： https://github.com/hpcaitech/ColossalAI

AI大模型推理部署的困难

模型参数的迅速增长[https://arxiv.org/abs/2111.14247]

近年来，计算设备（如GPU）的并行计算能力、内存容量，内存速度等都得到了极大的增强，然而，单设备纵向扩展（scale up）的性能增益在面对指数型增长的模型规模时，仍难以满足大模型的内存与性能需求。而当前的深度学习推理系统，主要面向多实例单设备以及单实例单设备的简单推理场景，忽视了AI大模型推理所需要的单实例多设备的挑战与机遇，Energon-AI系统正是为了解决这一痛点而生。

Energon-AI系统设计

Energon-AI超大模型推理系统示意图

面向AI大模型部署，我们设计了单实例多设备推理系统Energon-AI。Energon-AI 系统 设计分为三个层次，即运行时系统（Runtime）、分布式推理实例(Engine)以及 前端 服务系统（Serving）：

Runtime：在运行时系统设计过程中我们发现，当模型规模不断增大，通用矩阵乘的时间占比逐渐增大，而访存密集型算子与Kernel Launch的时间占比则逐渐降低，推理过程进一步从访存密集型向计算密集型方向迁移，TensorRT以及专用推理系统对访存密集型操作的优化效果被极大削减。Energon-AI Runtime依赖于Colossal-AI实现张量并行，同时设计了流水线并行包装方法用于显存不足的情况。此外，我们引入了大量推理专用算子及方法。如，面对NLP中输入变长的特点，我们引入了transpose_padding_rebulid与transpose_padding_remove等算子用以高效支持Encoder和Decoder模型中MLP层的冗余计算消除方法。
Engine：单设备推理中程序有相同的数据入口与出口，分布式训练的主要目标是模型参数，因此无须对多个进程的输入输出进行管理，而多设备推理则不同。我们希望通过良好的封装使得Engine具有与单设备推理完全相同的行为。我们采用了半中心化方法，主进程中使用RPC在每个设备调用初始化或推理方法，使得分布式推理可以得到中心化的控制，同时每个设备则保有自己的Tensor Parallel与Pipeline Parallel通信逻辑。我们在每个进程中设计并维护了分布式消息队列，用以保证多个进程中多线程调用执行的一致性。
Serving：针对用户请求分散和变长的特点及大模型推理对GPU并行运算的依赖之间的矛盾，Energon-AI引入了动态Batching机制，将请求队列中的请求按照机器性能进行最优打包后，根据等候时间、batch大小、batch的扩展可能性（根据padding后的句子长度）等挑选优先级最高的batch处理，最大化GPU使用率的同时规避饥饿问题，减小平均请求时延。

Batch管理流程示意图

性能测试

并行推理超线性扩展

张量并行可扩展性测试结果展示。硬件环境：8 * A100 GPU 80GB。由于单设备显存无法满足GPT-3推理需求，此处为GPT-3 12层的测试结果，设置句长为Padding的1/2。

Energon-AI八卡并行推理在Batch Size为32时，相比于单卡Pytorch直接推理，可获得8.5倍的超线性加速。

运行时推理性能提升50%

张量并行运行时系统推理时延对比。硬件环境：8 * A100 GPU 80GB。

设置句长为Padding的1/2。GPT-3-24-Layers for TP=2, GPT-3-48-Layers for TP=4。

我们选择高度优化的英伟达FasterTransformer GPT-3作为对比方案。FasterTransformer在其4.0版本中推出了分布式推理特性，目前支持GPT-3模型的分布式推理，但由于其纯C++代码高度耦合的特点，灵活度与易用性相对较低。此外，对于NLP推理输入句长不同的特点，其分布式推理无冗余计算消除功能。

对于GPT-3模型，Energon-AI的运行时系统在Batch Size为1时性能略低于FasterTransformer，而在Batch Size较大时能够实现超过50%的性能提升。

Dynamic Batching吞吐量增加30%

Dynamic batching与直接打包batch吞吐量对比。硬件环境：8 * A100 GPU 80GB。测试使用的模型为GPT-3, 测试句长为256以内随机生成，padding策略为batch内最长padding。

我们模拟真实场景下多用户同时发送大量变长推理请求的情况，将我们的动态batch规划方法与传统的FIFO(先入先出)队列打包方法进行了吞吐量对比。由于dynamic batching的算法缓解了直接padding造成的大量冗余计算问题，在该策略下dynamic batching的吞吐量实现了34.7%的提升。

易用性

 from gpt import gpt3 from gpt_server import launch_engine # for engine model_class = gpt3 model_type = "gpt" host = "127.0.0.1" port = 29400 half = True backend = "nccl" # for parallel tp_init_size = 4 pp_init_size = 2 # for server engine_server = launch_engine server_host = "127.0.0.1" server_port = 8020 rm_padding = True

 energonai service init --config_file=gpt_config.py

在追求性能的同时，Energon-AI希望保持系统使用的灵活度与易用性，用户仅需自定义【并行模型】、【并行参数】以及【服务请求逻辑】加入到配置文件中，即可启动推理服务。目前，我们提供了最常见的GPT、BERT和ViT模型作为示例，更详尽的教程将会在近期完善。

在构建新的并行模型时，Energon-AI使用Python，且使用方式与Pytorch相似，有层的概念且初始化与执行逻辑清晰，用户无需考虑内存管理，并行通信等行为。如下代码展示了两层Linear层组成的模型并行运行的完整代码。

 class MLP(nn.Module): def __init__(self, dim, dtype, bias): super().__init__() self.dense_0 = Linear1D_Col(dim, dim, dtype=dtype, bias=bias, gather_output=False) self.dense_1 = Linear1D_Row(dim, dim, dtype=dtype, bias=bias, parallel_input=True) def forward(self, x): x = self.dense_0(x) x = self.dense_1(x) return x

与之相对，在构建新的并行模型时，FasterTransformer需要使用C++代码并且需要用户自行进行内存管理，定义通信等底层行为组织。受篇幅限制，如下代码展示两层Linear层模型并行运行的内存管理，具体执行，通信的部分代码。除此之外，用户想要代码正确执行，还需要花费大量时间精力对内存管理、执行逻辑、通信行为之间的配合进行调试，C++代码还需要额外编译工作。这些都对用户的并行知识与编程能力提出了严峻挑战。

 // Memory Allocation (only for a single paramerter). T *d_inter_kernel = NULL param_.ffn.intermediate_weight.kernel = d_inter_kernel; device_malloc(&d_inter_kernel, dim * dim); // Two MLP Layers cublasMM_cublasLtMM_wrapper(param_.cublaslt_handle, param_.cublas_handle, CUBLAS_OP_N, CUBLAS_OP_N, n, m, k, &alpha, param_.ffn.intermediate_weight.kernel, AType_, n, attr_matmul_buf_, BType_, k, &beta, (DataType_ *)inter_matmul_buf_, CType_, n, param_.stream, cublasAlgoMap_, sm_, cublas_workspace_); add_bias_act_kernelLauncher<DataType_>(inter_matmul_buf_, param_.ffn.intermediate_weight.bias, m, n, ActivationType::GELU, param_.stream); n = k; cublasMM_cublasLtMM_wrapper(param_.cublaslt_handle, param_.cublas_handle, CUBLAS_OP_N, CUBLAS_OP_N, n, m, k, &alpha, param_.ffn.output_weight.kernel, AType_, n, inter_matmul_buf_, BType_, k, &beta, (DataType_ *)(param_.transformer_out), CType_, n, param_.stream, cublasAlgoMap_, sm_, cublas_workspace_); add_bias_input_layernorm_kernelLauncher<DataType_>(param_.transformer_out, attr_matmul_buf_, param_.ffn.output_weight.bias, param_.ffn_layernorm.gamma, param_.ffn_layernorm.beta, m, n, param_.stream); // Communication if(t_parallel_param_.world_size > 1) { all2all_gather(nccl_logits_buf_, nccl_logits_buf_, local_batch * n, t_parallel_param_, decoding_params.stream); }

构建AI大模型生态系统

面对AI大模型的时代浪潮，除了本次新增的推理部署特性，针对现有大模型训练方案并行维度有限、效率不高、通用性差、部署困难、缺乏维护等痛点，Colossal-AI通过高效多维并行和异构并行等技术，让用户仅需极少量修改，即可高效快速部署AI大模型训练。

例如对于GPT-3这样的超大AI模型，相比英伟达方案，Colossal-AI仅需一半的计算资源，即可启动训练；若使用相同计算资源，则能提速11%，可降低GPT-3训练成本超百万美元。

对于蛋白质结构预测应用AlphaFold，基于Colossal-AI的加速方案的FastFold，成功超越谷歌和哥伦比亚大学的方案，将AlphaFold训练时间从11天减少到67小时，且总成本更低，在长序列推理中也实现9.3～11.6倍的速度提升。

Colossal-AI兼容低端设备，在仅有一块GPU的个人PC上便能训练高达180亿参数GPT；普通的笔记本电脑，也能训练十几亿参数的模型，相比现有主流方案，可提升参数容量十余倍，大幅度降低了AI大模型微调和推理等下游任务和应用部署的门槛。

Colossal-AI注重开源社区建设，提供中文教程，开放用户社群及论坛，对于用户反馈进行高效交流与迭代更新，不断添加等前沿特性。

自然开源以来，Colossal-AI已经多次登上GitHub热榜Python方向世界第一，与众多已有数万star的明星开源项目一起受到海内外关注！

在反映机器学习领域热点的Papers With Code网站上，Colossal-AI也广受关注，荣登热榜第一。

项目团队

潞晨技术团队的核心成员均来自美国加州大学伯克利分校，斯坦福大学，清华大学，北京大学，新加坡国立大学，新加坡南洋理工大学等国内外知名高校；拥有Google Brain、IBM、Intel、 Microsoft、NVIDIA等知名厂商工作经历。公司成立即获得创新工场、真格基金等多家顶尖VC机构种子轮投资。