首页 文章 精选 留言 我的

精选列表

搜索[AI],共10000篇文章
优秀的个人博客,低调大师

AI大模型推理优化:从KV Cache到生产部署

大模型推理分为两个阶段:**Prefill** 并行处理输入prompt,计算所有token的K、V;**Decode** 自回归逐token生成。Decode阶段每步只产生一个token,却要与历史全部token做注意力。若每步重算历史K、V,单步复杂度为O(n²),总复杂度O(n³)。KV Cache的核心思想是:缓存历史K、V,每步只计算新token的Q、K、V,使单步注意力降为O(n),总复杂度O(n²)。这是所有推理优化的起点。 KV Cache显存占用可估算为: ``` 2 × layers × heads × head_dim × seq_len × batch × dtype_bytes ``` 以7B模型、32层、32头、head_dim=128、FP16、seq_len=4096、batch=1为例,约2GB。序列翻倍,显存翻倍;batch增大,线性增长。因此长上下文和高并发场景下,KV Cache管理直接决定吞吐上限。 在HuggingFace Transformers中,`use_cache=True`即可启用: ``` import torch from transformers import AutoModelForCausalLM, AutoTokenizer model = AutoModelForCausalLM.from_pretrained( "Qwen/Qwen2.5-7B-Instruct", torch_dtype=torch.float16, device_map="auto" ) tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-7B-Instruct") inputs = tokenizer("解释KV Cache的原理", return_tensors="pt").to(model.device) with torch.no_grad(): out = model(**inputs, use_cache=True) past = out.past_key_values next_token = out.logits[:, -1].argmax(-1, keepdim=True) out2 = model(next_token, past_key_values=past, use_cache=True) ``` `past_key_values`是一个按层组织的元组,每层包含K和V张量,形状为`[batch, heads, seq_len, head_dim]`。手工管理时需注意:每生成一个token,seq_len维度追加一列;batch内序列长度不同时,需要padding和attention mask,否则会引入无效计算。 传统KV Cache按请求预分配最大序列长度的连续显存,造成严重内部碎片。vLLM提出的**PagedAttention**借鉴操作系统虚拟内存分页:将KV Cache切分为固定大小的block,按需分配,逻辑block通过block table映射到物理block。这样不同请求可共享物理块,显存利用率可从不足50%提升到90%以上,并支持前缀共享和连续批处理。生产环境通常直接使用vLLM: ``` from vllm import LLM, SamplingParams llm = LLM( model="Qwen/Qwen2.5-7B-Instruct", quantization="fp8", max_model_len=8192, gpu_memory_utilization=0.9, ) params = SamplingParams(temperature=0.7, top_p=0.9, max_tokens=256) outputs = llm.generate(["解释PagedAttention的优势"], params) print(outputs[0].outputs[0].text) ``` **量化**是另一条主线。FP16权重和KV Cache各占2字节;FP8降至1字节,显存和带宽减半;AWQ/GPTQ采用4bit权重量化,进一步压缩模型体积,但通常保留KV Cache为FP16以保精度。量化收益主要在显存带宽受限的Decode阶段,因为该阶段是memory-bound。实践中需用困惑度、任务准确率和生成质量做回归评估,不能只看显存下降。 **连续批处理**(Continuous Batching)解决请求长度异构问题:传统静态batch等最长序列结束才释放,短请求浪费大量算力;连续批处理在每个decode步动态加入新请求、移除已完成请求,显著提升GPU利用率。vLLM、TensorRT-LLM、SGLang均内置该机制。 评估推理系统应关注四个指标:**TTFT**(首token延迟,反映Prefill性能)、**TPOT**(每输出token时间,反映Decode速度)、**吞吐**(tokens/s,反映批处理效率)、**显存占用**。优化时先定位瓶颈:TTFT高查Prefill计算和排队;TPOT高查KV Cache带宽和量化;吞吐低查批处理策略。 综上,大模型推理优化是系统工程:KV Cache消除重复计算,PagedAttention解决显存碎片,量化降低带宽压力,连续批处理提升并发吞吐。四者叠加,才能把实验室模型变成可承载真实流量的生产服务。代码层面,优先使用vLLM等成熟推理引擎,把精力放在请求调度、量化评估和指标监控上,而不是重复实现底层注意力缓存。

资源下载

更多资源
优质分享App

优质分享App

近一个月的开发和优化,本站点的第一个app全新上线。该app采用极致压缩,本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题,腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构,目前腾讯云软件源站支持公网访问和内网访问。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册
修改密码
忘记密码