人工智能大数据,工作效率生产力
Ctrl + D 收藏本站,更多好用AI工具
当前位置:首页 » AI资讯

推理加速GPT-3超越英伟达方案50%!大模型推理系统Energon-AI开源

2024-05-15 81

在前沿AI大模型规模呈指数级增长的趋势下,仅凭单卡已经很难满足当下的推理需求。

就拿拥有1750亿参数的GPT-3来说。

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,多卡并行被视为AI大模型推理的必然选择。

但现有的推理系统仍旧存在不少弊端。

比如需要用户对通信、内存等各部分协作进行手动管理,需要额外编译等……导致用户使用门槛居高不下。

为此,大规模并行AI训练系统Colossal-AI团队提出了大模型推理系统Energon-AI

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,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,用户就能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。

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

AI大模型推理部署的困难

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。

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

Energon-AI系统设计

面向AI大模型部署,Colossal-AI团队设计了单实例多设备推理系统Energon-AI。

△Energon-AI超大模型推理系统示意图

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,团队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,团队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,引入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。

团队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。

采用半中心化方法,主进程中使用RPC在每个设备调用初始化或推理方法,分布式推理就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。

同时,团队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。

这样一来,可以在最大化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。

以高度优化的英伟达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。

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Energon-AI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 gpt3from gpt_server import launch_engine# for enginemodel_class = gpt3model_type = "gpt"host = "127.0.0.1"port = 29400half = Truebackend = "nccl"# for paralleltp_init_size = 4pp_init_size = 2# for serverengine_server = launch_engineserver_host = "127.0.0.1"server_port = 8020rm_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,已经提供了最常见的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。

classMLP(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) defforward(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 = NULLparam_.ffn.intermediate_weight.kernel = d_inter_kernel;device_malloc(&d_inter_kernel, dim * dim);// Two MLP LayerscublasMM_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);// Communicationif(t_parallel_param_.world_size > 1){ all2all_gather(nccl_logits_buf_, nccl_logits_buf_, local_batch * n, t_parallel_param_, decoding_params.stream); }

更多特性

本次发布的Energon-AI子系统为beta版,近期会根据用户反馈与既定计划,进行密集的迭代更新,尽早为用户提供正式版,充分满足用户的不同推理部署需求,欢迎向Energon-AI提出您的需求与建议。

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,登上热榜第一。

传送门

GitHub地址:

https://github.com/hpcaitech/ColossalAI

参考链接:https://medium.com/@hpcaitech/6139c5bc7790

原文链接:https://baijiahao.baidu.com/s?id=1734329144938738389&wfr=spider&for=pc

相关推荐

阅读榜

hellenandjeckett@outlook.com

加入QQ群:849112589

回顶部