大模型推理再提速！英偉達(dá)推出TensorRT-LLM，專為提升大模型推理速度優(yōu)化的全新框架
本文來自DataLearner官方博客：
https://www.datalearner.com/blog/1051694310279358
隨著大型語言模型（LLM）如 GPT-3 和 BERT 在 AI 領(lǐng)域的崛起，如何在實(shí)際應(yīng)用中高效地進(jìn)行模型推斷成為了一個(gè)關(guān)鍵問題。為此，英偉達(dá)推出了全新的大模型推理提速框架TensorRT-LM，可以將現(xiàn)有的大模型在H100推理速度提升4倍！2016年，英偉達(dá)已經(jīng)推出了TensorRT，此次發(fā)布的TensorRT-LM是在TensorRT基礎(chǔ)上針對大模型進(jìn)一步優(yōu)化的加速推理庫。
TensorRT簡介
TensorRT-LLM簡介
TensorRT-LLM的加速結(jié)果測試
TensorRT簡介
TensorRT是英偉達(dá)的一個(gè)深度學(xué)習(xí)模型優(yōu)化器和運(yùn)行時(shí)庫，它可以將深度學(xué)習(xí)模型轉(zhuǎn)換為優(yōu)化的格式，從而在英偉達(dá)GPU上實(shí)現(xiàn)更快的推斷速度。TensorRT的第一個(gè)版本是在2016年11月發(fā)布的，當(dāng)時(shí)叫做GPU Inference Engine (GIE)。后來在2017年3月，英偉達(dá)將其改名為TensorRT，并發(fā)布了TensorRT 2.0版本。從那以后，英偉達(dá)一直不斷更新和改進(jìn)TensorRT。
上圖是英偉達(dá)官方針對TensorRT的示意圖，可以看到，TensorRT定位的是將訓(xùn)練結(jié)束的模型優(yōu)化達(dá)到加速目的，因此與你使用的訓(xùn)練框架和訓(xùn)練過程不強(qiáng)相關(guān)。TensorRT通過自動(dòng)識別可以合并的連續(xù)層，并將它們?nèi)诤铣梢粋€(gè)操作。這減少了在 GPU 上的操作數(shù)量，從而提高了執(zhí)行速度。
TensorRT-LLM簡介
TensorRT 是 NVIDIA 的一個(gè)深度學(xué)習(xí)模型優(yōu)化器和運(yùn)行時(shí)庫，旨在為深度學(xué)習(xí)模型在 NVIDIA GPU 上提供快速、高效的推斷。而 TensorRT-LLM 則是其針對大型語言模型的擴(kuò)展，提供了一系列專門的優(yōu)化和功能。
隨著 LLM 的模型參數(shù)數(shù)量不斷增加，傳統(tǒng)的推斷方法在性能和成本上都面臨挑戰(zhàn)。TensorRT-LLM 提供了一種方法，可以在保持模型準(zhǔn)確性的同時(shí)，大大提高推斷速度并降低成本。
TensorRT-LLM 首先解析模型結(jié)構(gòu)，然后應(yīng)用一系列優(yōu)化技術(shù)，如層融合、精度校準(zhǔn)和內(nèi)核選擇。它還利用了并行化技術(shù)，如張量并行性，以在多個(gè) GPU 之間分配模型的不同部分。
根據(jù)官方的說明，TensorRT-LLM的主要特點(diǎn)：
專為 LLM 設(shè)計(jì)：與標(biāo)準(zhǔn)的 TensorRT 不同，TensorRT-LLM 針對大型語言模型的特定需求和挑戰(zhàn)進(jìn)行了優(yōu)化。
集成優(yōu)化：NVIDIA 與多家領(lǐng)先公司合作，將這些優(yōu)化集成到了 TensorRT-LLM 中，以確保 LLM 在 NVIDIA GPU 上的最佳性能。
模塊化 Python API：TensorRT-LLM 提供了一個(gè)開源的模塊化 Python API，使開發(fā)者能夠輕松定義、優(yōu)化和執(zhí)行新的 LLM 架構(gòu)和增強(qiáng)功能。
飛行批處理（In-flight batching）：這是一種優(yōu)化的調(diào)度技術(shù)，可以更有效地處理動(dòng)態(tài)負(fù)載。它允許 TensorRT-LLM 在其他請求仍在進(jìn)行時(shí)開始執(zhí)行新請求，從而提高 GPU 利用率。
支持新的 FP8 數(shù)據(jù)格式：在 H100 GPU 上，TensorRT-LLM 支持新的 FP8 數(shù)據(jù)格式，這可以大大減少內(nèi)存消耗，同時(shí)保持模型的準(zhǔn)確性。
廣泛的模型支持：TensorRT-LLM 包括了許多在今天生產(chǎn)中廣泛使用的 LLM 的完全優(yōu)化、即用版本，如 Meta Llama 2、OpenAI GPT-2 和 GPT-3 等。
并行化和分布式推斷：TensorRT-LLM 利用張量并行性進(jìn)行模型并行化，這使得模型可以在多個(gè) GPU 之間并行運(yùn)行，從而實(shí)現(xiàn)大型模型的高效推斷。
優(yōu)化的內(nèi)核和操作：TensorRT-LLM 包括了針對 LLM 的優(yōu)化內(nèi)核和操作，如 FlashAttention 和遮蔽多頭注意力等。
簡化的開發(fā)流程：TensorRT-LLM 旨在簡化 LLM 的開發(fā)和部署過程，使開發(fā)者無需深入了解底層的技術(shù)細(xì)節(jié)。
TensorRT-LLM的加速結(jié)果測試
官方給出了GPT-J 6B在TensorRT-LLM加持下的模型推理速度提升結(jié)果，如下圖所示：
GPT-J 6B是一個(gè)由EleutherAI研究小組創(chuàng)建的開源自回歸語言模型。它是OpenAI的GPT-3的最先進(jìn)替代品之一，在各種自然語言任務(wù)（如聊天、摘要和問答等）方面表現(xiàn)良好。
上圖使用A100作為GPT-J 6B的推理速度基準(zhǔn)，H100的推理速度是A100的4倍，而使用了TensorRT-LLM之后的H100推理速度是A100的8倍！提升速度驚人！
而LLaMA2也有很高的速度提升，如下圖所示：
使用A100作為LLaMA2 7B的推理速度（文本摘要）基準(zhǔn)，H100的推理速度是A100的2.6倍，而使用了TensorRT-LLM之后的H100推理速度是A100的4.6倍！提升速度也是非常驚人！
目前TensorRT-LLM屬于早期預(yù)覽，只要注冊成為NVIDIA開發(fā)者即可申請使用~
號外！