大语言模型推理提速，TensorRT-LLM 高性能推理实践
1.TensorRT-LLM 如何提升 LLM 模型推理效率 大型语言模型（Large language models,LLM）是基于大量数据进行预训练的超大型深度学习模型。底层转换器是一组神经网络，这些神经网络由具有 self-attention 的编码器和解码器组成。编码器和解码器从一系列文本中提取含义，并理解其中的单词和短语之间的关系。 当前 LLM 模型推理的主要瓶颈是 GPU 显存资源不足。因此，各类加速框架主要集中于降低 GPU 显存峰值和提高 GPU 使用率两大目标。 TensorRT-LLM[1]是 NVIDIA 推出的大语言模型（LLM）推理优化框架。它提供了一组 Python API 用于定义 LLMs，并且使用最新的优化技术将 LLM 模型转换为 TensorRT Engines，推理时直接使用优化后的 TensorRT Engines。 TensorRT-LLM 主要利用以下四项优化技术提升 LLM 模型推理效率。 1.1 量化 模型量化技术是通过降低原始模型的精度来减少模型推理时的 GPU 显存使用。 TensorRT 支持多种模型的多种精度，以下列举了部分主流模型支持的量化精度。 W8A8 SQ 使用了 SmoothQuant 技术[2]，在不降低模型推理准确率的前提下，将模型权重和激活层都降低为 INT8 精度，显著减少了 GPU 显存消耗。 W4A16/W8A16 是指模型权重为 INT4 或者 INT8，激活层为 FP16 精度。 W4A16 AWQ 以及 W4A16 GPTQ 分别实现了 AWQ[3]和 GPTQ[4]两篇论文中提到的量化方法。模型权重为 INT4，激活层为 FP16 精度。 1.2 In-Flight Batching 传统的 Batching 技术为 Static Batching 的，需要等 Batching 中所有序列推理完成后才能进行下一次批次。下图为一个输出最大 Token 为 8，Batch size 为 4 的推理过程，使用 Static Batching 技术。S3 序列在 T5 时刻就已经完成推理，但是需要等到 S2 序列在 T8 时刻推理完成后才会处理下一个 sequence，存在明显的资源浪费。 In-Flight Batching 又名 Continuous Batching 或 iteration-level batching，该技术可以提升推理吞吐率，降低推理时延。Continuous Batching 处理过程如下，当 S3 序列处理完成后插入一个新序列 S5 进行处理，提升资源利用率。详情可参考论文 Orca: A Distributed Serving System for Transformer-Based Generative Models[5]。 1.3 Attention Attention 机制用于从序列中提取关键/重要信息，在情感识别、翻译、问答等任务中起着至关重要的作用。Attention 机制按照演进顺序可以分为 MHA（Multi-head Attention）、MQA（Multi-query Attention）[6]以及 GQA（Group-query Attention）[7]机制。MQA 和 GQA 都是 MHA 的变种。 MHA 是标准的多头注意力机制，每个 query 存储一份 KV，因此需要使用较多的显存。MQA 所有 query 共享一份 KV，推理时容易丢失一些细节信息。GQA 将 query 进行分组，组内共享一份 KV，可以有效避免 MHA 和 MQA 的问题。 TensorRT-LLM 支持 MHA、MQA 及 GQA 方式，可以在 tensorrt_llm.functional.gpt_attention 查看具体实现。 1.4 Graph Rewriting TensorRT-LLM 在将 LLM 模型编译为 TensorRT Engines 时会对神经网络进行优化，提升执行效率。 2.基于阿里云容器服务 ACK 的实战体验 2.1 云原生 AI 套件 云原生 AI 套件是阿里云容器服务 ACK 提供的云原生 AI 技术和产品方案，帮助企业更快、更高效地落地云原生 AI 系统。 本文将介绍如何基于阿里云容器服务 ACK 云原生 AI 套件，利用 TensorRT-LLM 优化 LLM 模型推理。 2.2 环境配置 1. 参考文档安装云原生 AI 套件[8]。 2. 登陆容器服务管理控制台[9]，在左侧导航栏选择集群 > 应用 > 云原生 AI 套件。等待开发控制台准备就绪后，单击开发控制台。 3. 在开发控制台左侧，选择Notebook，在 Notebook 页面右上角，单击创建 Notebook创建新的 Notebook 环境。Notebook 资源需要 CPU：12C，内存：40G，GPU 显存：24GB。(节点对应规格为 ecs.gn7i-c16g1.4xlarge[10]) 2.3 准备 TensorRT-LLM 环境 1. 构建 Notebook 所需镜像。 FROM docker.io/nvidia/cuda:12.2.2-cudnn8-runtime-ubuntu22.04 ENV DEBIAN_FRONTEND=noninteractive RUN apt-get update && apt-get upgrade -y && \ apt-get install -y --no-install-recommends \ libgl1 libglib2.0-0 wget git curl vim \ python3.10 python3-pip python3-dev build-essential \ openmpi-bin libopenmpi-dev jupyter-notebook jupyter RUN pip3 install tensorrt_llm -U --extra-index-url https://pypi.nvidia.com RUN pip3 install --upgrade jinja2==3.0.3 pynvml>=11.5.0 RUN rm -rf /var/cache/apt/ && apt-get clean && rm -rf /var/lib/apt/lists/* /tmp/* /var/tmp/* && \ rm -rf /root/.cache/pip/ && rm -rf /*.whl WORKDIR /root RUN git clone https://github.com/NVIDIA/TensorRT-LLM.git --branch v0.7.1 ENTRYPOINT ["sh","-c","jupyter notebook --allow-root --notebook-dir=/root --port=8888 --ip=0.0.0.0 --ServerApp.token=''"] 2. 下载模型，本文以 Baichuan2-7B-Base 为例。 a.确认 tensorrt_llm 安装成功 ! python3 -c "import tensorrt_llm; print(tensorrt_llm.__version__)" # 0.7.1 b.安装 baichuan 依赖 ! cd /root/TensorRT-LLM/examples/baichuan ！pip3 install -r requirements.txt c.下载 Baichuan2-7B-Chat 模型 ！yum install git-lfs ！GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/baichuan-inc/Baichuan2-7B-Chat.git ！cd Baichuan2-7B-Chat/ ！git lfs pull d.将模型编译为 TensorRT Engines，权重指定为 INT8。模型转换约 5 分钟。 ! cd /root/TensorRT-LLM/examples/baichuan # Build the Baichuan V2 7B model using a single GPU and apply INT8 weight-only quantization. ! python3 build.py --model_version v2_7b \ --model_dir ./Baichuan2-7B-Chat \ --dtype float16 \ --use_gemm_plugin float16 \ --use_gpt_attention_plugin float16 \ --use_weight_only \ --output_dir ./tmp/baichuan_v2_7b/trt_engines/int8_weight_only/1-gpu/ e.使用构建好的 tensort engines 进行推理 # With INT8 weight-only quantization inference ! python3 ../run.py --input_text "世界上第二高的山峰是哪座？" \ --max_output_len=50 \ --tokenizer_dir=./Baichuan2-7B-Chat \ --engine_dir=./tmp/baichuan_v2_7b/trt_engines/int8_weight_only/1-gpu/ 预期输出： Input [Text 0]: "世界上第二高的山峰是哪座？" Output [Text 0 Beam 0]: "世界上第二高的山峰是喀喇昆仑山脉的乔戈里峰（K2），海拔高度为8611米。" 2.4 性能测试 1. 使用 TensorRT-LLM 自带的 benchmark。 向 _allowed_configs dict 中添加 baichuan2_7b_chat 配置，代码可参考链接[11]。 注：0.7.1 版本 benchmark 还未支持 baichuan2 模型，因此需要手动修改下 allowed_configs 配置。 ! cd /root/TensorRT-LLM/benchmarks/python ! vim allowed_configs.py # "baichuan2_7b_chat": ModelConfig(name="baichuan2_7b_chat", family="baichuan_7b", benchmark_type="gpt", build_config=BuildConfig( num_layers=32, num_heads=32, hidden_size=4096, vocab_size=125696, hidden_act='silu', n_positions=4096, inter_size=11008, max_batch_size=128, max_input_len=512, max_output_len=200, builder_opt=None, )), 运行 benchmark： ! python3 benchmark.py \ -m baichuan2_7b_chat \ --mode plugin \ --engine_dir /root/TensorRT-LLM/examples/baichuan/tmp/baichuan_v2_7b/trt_engines/int8_weight_only/1-gpu \ --batch_size 1 \ --input_output_len "32,50;128,50" # batch_size 并发度 # input_output_len 输入输出的长度，多个测试用例用分号分隔 Expected outputs： [BENCHMARK] model_name baichuan2_7b_chat world_size 1 num_heads 32 num_kv_heads 32 num_layers 32 hidden_size 4096 vocab_size 125696 precision float16 batch_size 1 input_length 32 output_length 50 gpu_peak_mem(gb) 8.682 build_time(s) 0 tokens_per_sec 60.95 percentile95(ms) 821.977 percentile99(ms) 822.093 latency(ms) 820.348 compute_cap sm86 generation_time(ms) 798.45 total_generated_tokens 49.0 generation_tokens_per_second 61.369 [BENCHMARK] model_name baichuan2_7b_chat world_size 1 num_heads 32 num_kv_heads 32 num_layers 32 hidden_size 4096 vocab_size 125696 precision float16 batch_size 1 input_length 128 output_length 50 gpu_peak_mem(gb) 8.721 build_time(s) 0 tokens_per_sec 59.53 percentile95(ms) 841.708 percentile99(ms) 842.755 latency(ms) 839.852 compute_cap sm86 generation_time(ms) 806.571 total_generated_tokens 49.0 generation_tokens_per_second 60.751 2. 对比 INT8 量化模型与原始模型性能。 原始模型执行命令： def normal_inference(): from transformers import AutoModelForCausalLM, AutoTokenizer from transformers.generation.utils import GenerationConfig tokenizer = AutoTokenizer.from_pretrained(model_path, use_fast=False, trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained(model_path, device_map="auto", torch_dtype=torch.bfloat16, trust_remote_code=True) model.generation_config = GenerationConfig.from_pretrained(model_path) messages = [] messages.append({"role": "user", "content": prompt}) response = model.chat(tokenizer, messages) print(response) INT8 量化模型命令： def tensorrt_llm_inference(): from subprocess import Popen, PIPE script = f'''python3 /root/TensorRT-LLM/examples/run.py --input_text \"{prompt}\" \ --max_output_len=50 \ --tokenizer_dir=/root/TensorRT-LLM/examples/baichuan/Baichuan2-7B-Chat \ --engine_dir=/root/TensorRT-LLM/examples/baichuan/tmp/baichuan_v2_7b/trt_engines/int8_weight_only/1-gpu/''' p = Popen(['sh', '-c', script], stdout=PIPE, stderr=PIPE) output, err = p.communicate() if p.returncode != 0: print(f"tensorrt_llm_inference() error:{err}") return print(output) TensorRT-LLM 加速方案在采用 INT8 模型量化的情况下，相比于默认的 Baichuan2-7B-Chat 模型，显存峰值降低了43.8%，时延降低了61.1%。 3.相关资料 [1]参考文献 [2]SmoothQuant技术 [3]AWQ [4]GPTQ [5]Orca: A Distributed Serving System for Transformer-Based Generative Models [6]MQA（Multi-query Attention） [7]GQA（Group-query Attention） [8]安装云原生AI套件 [9]容器服务管理控制台 [10]ecs.gn7i-c16g1.4xlarge [11]https://github.com/NVIDIA/TensorRT-LLM/blob/12e82e30b0e64b0f7ada0dc5993edd3b05385964/benchmarks/python/allowed_configs.py#L940TensorRT-LLM [12]参考资料 原文链接 本文为阿里云原创内容，未经允许不得转载。
.jpg)
