大语言模型推理加速技术：计算加速篇

原文：大语言模型推理加速技术：计算加速篇 - 知乎

简介

Transformer和Attention

瓶颈

优化目标

计算加速

计算侧优化

KVCache

Kernel优化和算子融合

分布式推理

内存IO优化

Flash Attention

Flash Decoding

Continuous Batching

Paged Attention

SplitFuse

总结

本文是《大语言模型推理加速技术》系列的第一篇

《大语言模型推理加速技术：计算加速篇》

《大语言模型推理加速技术：模型压缩篇》

《大语言模型推理加速技术：推理框架篇》

自从去年ChatGPT横空出世之后，业界对于大语言模型的热情也愈发高涨，随着模型规模越来越大，它们的计算需求也水涨船高，大模型部署和所需的资源量也让很多团队望而却步：毕竟可以拿社区开源的预训练模型跳过训练的过程，但是部署大模型推理是无法避开的流程。本系列旨在简单讨论几个业界生产环境可用的大模型推理技术，并分析对比几个主流的推理框架。

由于各大公司和学术团队都在“卷”大模型，大模型新技术层出不穷，本系列只能保证当前的信息有效性（2023年11月初）。另外由于本文是从工程角度出发，只会介绍工业界可落地的技术，一些前沿的学术成果可能并不包含在内，敬请谅解。

简介

Transformer和Attention

当前主流的大模型都是基于2017年谷歌团队提出的Transformer架构，其核心是注意力（Attention）机制，简单来说就是计算softmax(qk^T)*v:

def attention(q_input, k_input, v_input):
    q = self.Q(q_input)
    k = self.K(k_input)
    v = self.V(v_input)
    return softmax(q * k.transpose()) * v

其中Q,K,V是模型的三个矩阵。对当前主流的Decoder-only模型来说，推理过程分为两个阶段：

context phase也叫prefill phase：需要计算整个prompt的自注意力，q_input, k_input, v_input大小都为[seq_len, emb_dim]，即整个prompt的embedding，context phase只需要进行一次，生成第一个token。
generation phase或decoding phase：每生成一个token就要计算一次，其中q_input为[1, emb_dim]，代表当前token的embedding，k_input, v_input为[n, emb_dim]代表所有前文的embedding，这个阶段计算的是当前token和所有前文的注意力。

Attention计算占据了模型推理阶段的绝大部分资源，要了解本文介绍的优化技巧，只需要了解Attention的计算过程就足够了。由于本文更多关注工程细节，对模型的设计只是一笔带过，有兴趣的读者可自行了解完整的Transformer相关信息。

Attention计算，来自Raimi Karim的Towards Data Science文章

瓶颈

想知道如何优化，我们首先要知道模型的计算慢在哪里。

大模型通常需要处理很长的输入和输出，由于当前token需要和前面所有的token进行attention计算，随着seq_len和n的增加，模型需要的计算的矩阵尺寸也越来越大。
在生成阶段，每个token的生成都依赖前面所有的计算，只能一个一个token生成，无法并发计算。

简单来说，推理瓶颈就在于Attention的计算是一个O(N^2)的操作且无法并发。本文所介绍的技术都是针对以上两个瓶颈进行优化。

优化目标

加速优化一般有两个目标，一个是更低的延迟（Latency），一个是更高的吞吐量（Throughput），其中延迟是指单个请求返回的时间，而吞吐量是一定时间内处理请求的总量。这两者有时是不可兼得的。举个例子，如果我们把一个模型切分成多个小模型进行分布式计算（张量并行），我们可以把单个请求的速度提升数倍（延迟下降），但是由于有通信和聚合的成本，系统处理单个请求的资源消耗量变多了，导致系统的吞吐量也会下降。有些加速技术只会针对其中一种目标，我们后面会详细介绍。

在本系列中，推理优化技术分为两大类：计算加速和模型压缩。计算加速，通过改进算法和硬件利用率来提高效率，而不影响模型的输出质量，本质上是让模型“算得更快”。而模型压缩则是改变模型结构，减少部分计算（比如稀疏Attention）或降低计算精度（比如量化），换来更快的推理速度和更低的资源消耗，但可能会影响模型的输出质量，本质上是让模型“算得更少”。本文作为系列的第一篇，只介绍计算加速技术，我们将在下一篇文章中介绍模型压缩技术。

计算加速

任何计算的本质都是CPU/GPU执行一系列的指令，在模型结构固定的情况下，我们能做的优化无非就是以下三种：

减少需要执行的指令数量，即减少不必要的或重复的运算。
充分利用硬件的并发度，要么是让单条指令可以一次处理多条数据（SIMD），要么是利用CPU和GPU的多核心机制，同时执行多条指令。
加速内存IO速度。利用缓存局部性加速内存读取指令的执行速度，或者减少不必要的内存读写。

前两种我们称之为计算侧优化，后一种我们称之为内存IO优化。

计算侧优化

KVCache

在每一个decoding phase中，我们需要计算当前token和之前所有已生成token的attention，因此需要计算所有token的k和v向量，但是前面的token的kv值在每轮decoding中都被重复计算了，因此我们可以把它们存下来，存成两个[seq_len-1, inner_dim]的Tensor，在每轮计算中只需要计算当前token的kv值即可。

KVCache是最简单直接的优化手段，一般模型的默认实现都会自带KVCache，因此并不需要我们额外实现，以Huggingface Transformers库为例，我们只需要在配置中设置use_cache=True即可。

这里还想吐槽一下，一般我们在工程中要到的cache也都是基于hash_map这种kv map的，最开始我还以为KVCache也是基于map的复杂数据结构，没想到只是简单的两个Tensor就实现了。

KVCache图解，来自Joao Lages的Medium文章

Kernel优化和算子融合

在NVIDIA GPU环境上，我们通过CUDA Kernel来执行大部分运算，矩阵乘法（GEMM），激活函数，softmax等，一般老说每个操作都对应一次kernel调用。但是每次kernel调用都有一些额外开销，比如gpu和cpu之间的通信，内存拷贝等，因此我们可以将整个Attention的计算放进同一个kernel实现，省略这些开销，在kernel中也可以实现一些Attention专用的优化。比如Facebook的xformers库就为各种Attention变种提供了高效的CUDA实现。主流的推理库也基本都自带了高效的Kernel实现。

除了手写的Kernel外，模型编译器也可以提供类似的优化机制，编译器将模型结构转换为其中间格式然后进行一系列的优化，比如我们提到的算子融合。虽然在CUDA这种主流平台上编译器的优化效果不一定比得上专用的Kernel实现，但是多平台的通用性是编译器的一大优势，比如TVM团队的MLC-LLM和微软主导的ONNX常被用来在手机等边缘设备上运行大模型。

分布式推理

在大模型的训练和推理过程中，我们有以下几种主流的分布式并行方式：

数据并行（DataParallel）：将模型放在多个GPU上，每个GPU都包含完整的模型，将数据集切分成多份，每个GPU负责推理一部分数据。
流水线并行（PipelineParallel）：将模型纵向拆分，每个GPU只包含模型的一部分层，数据在一个GPU完成运算后，将输出传给下一个GPU继续计算。
张量并行（TensorParallel）：将模型横向拆分，将模型的每一层拆分开，放到不同的GPU上，每一层的计算都需要多个GPU合作完成。

流水线并行一般是一台GPU内存无法放下整个模型的妥协之举，各层之间仍然是顺序运行的，并不能加速模型的计算。而另外两种并行则可以加速模型的推理。推理阶段的数据并行非常简单，因为不需要像训练一样聚合推理结果更新参数，因此我们只需要将模型单独部署在多个GPU上推理即可。而张量并行一般使用NVIDIA的Megatron库，模型内部结构改为使用Megatron的ColumnParallelLinear、RowParallelLinear、ParallelMLP和ParallelAttention等结构实现。

流水线并行和张量并行，来自Sequence Parallelism的paper

内存IO优化

在做性能优化时，我们除了要考虑单纯计算的速度，也要考虑内存访问的速度。一方面，和CPU缓存一样，GPU也有类似L1、L2这样的分级缓存（SRAM和HBM），级数越低的缓存大小越小，访问速度越快，因此我们在优化模型推理时也要考虑内存访问的局部性（Cache Locality）。另一方面，KVCache随着batch size和seq len的增加而扩张，在推理过程中会占据超过30%的内存，可能会出现因为内存不够用而限制最大并发度的问题。在并发度较高或者输入输出长度较大时，内存访问反而可能成为计算的瓶颈，而非CPU/GPU的计算量。

GPU的分级缓存，来自Flash Attention的paper

推理时的内存占用，来自vllm的paper

Flash Attention

在进行Attention计算时，QKV都是非常大的矩阵，直接进行矩阵乘法运算是非常缓存不友好的。因此我们可以考虑对矩阵进行分块乘法，每次只计算一个小的block，保证block可以放进SRAM而非HBM中。实际上这是一个很经典的思路，大部分的矩阵乘法kernel也是这样实现的。

而FlashAttention则更进一步，我们观察到Attention计算分为三步：

从HBM读取QK，计算S = QK^T，将S写回HBM
从HBM读出S，计算P = softmax(S)，将P写回HBM
从HBM读出P和V，计算O=PV，将O写回HBM

我们然需要在整个计算过程中HBM读三次写三次，有没有办法只读写一次呢？如果Attention只是简单的矩阵乘法，可以通过分块计算的方法避免写回HBM，但是由于softmax的存在，我们无法直接这样做。因为softmax需要计算矩阵中每一行元素的最大值，所以我们必须等待所有分块遍历完成后才能计算下一步。

FlashAttention巧妙地利用了类似于动态规划的技巧，实现了online softmax，可以在一个循环中计算出一个分块的最终结果。FlashAttention算法在遍历过程中需要不断地对中间结果进行重新计算，但是得益于整个过程不需要读HBM，再增大了计算量的情况下仍然可以提升运算速度。

关于Flash Attention的完整介绍和数学推导，我推荐华盛顿大学的这个课件，里面非常直观地解释了Flash Attention背后的想法和推导过程。用户可以通过使用Flash Attention的库调用它的kernel，PyTorch官方也对Flash Attention提供了官方支持。

Flash Decoding

由于Flash Attention优化的是大矩阵乘法，矩阵越大优化效果应当越好。但是在在线推理的场景中，输入的batch size为1，Q矩阵实际上是一个向量而非矩阵，在这种场景下，Flash Attention无法充分地利用GPU的并发能力。而Flash Decoding通过以seq_len为维度并发，即将K和V分成多个部分，并发地与Q相乘而解决了这个问题。

与Flash Attention适合离线训练和批量推理不同，Flash Decoding在在线单次推理且上下文长度较长时效果更好。用户可以通过FlashAttention库或者xFormers的attention kernel来使用Flash Decoding。

动图封面

Flash decoding示例

Continuous Batching

在批量推理过程中我们一般使用固定的Batch Size，将多个请求Batch起来一起推理。在分配KVCache时，我们需要分配两个shape为[batch_size, seq_len, inner_dim]的tensor，但是不同的请求可能有不同输入和输出长度，而且我们无法预知最终的输出长度，无法固定seq_len，因此我们通常分配[batch_size, max_seq_len, inner_dim]这样的shape，保证所有请求的cache都放得下。

但是这样的分配策略有两个问题：

不是每个请求都可以达到max_seq_len，因此KVCache中很多的内存都被浪费掉了
即使一些请求输出长度很短，它们仍然需要等待输出较长的请求结束后才能返回

这种固定的Batch策略叫做静态Batching(Static Batching)，为了解决这个问题，Orca提出了Continuous Batching策略，也叫Dynamic Batching或Inflight Batching。Continuous Batching允许输出较短的请求提前结束，并由新请求占用已结束请求的KVCache空间。

Continuous Batching示例，来自Anyscale官网，黄色为prompt，蓝色为生成的token

在批量推理场景中，Continuous Batching可以将模型的吞吐量提升两到三倍。当前主流的推理框架比如Huggingface TGI, Ray serve, vllm, TensorRT-LLM等都支持Continuous Batching策略。

Paged Attention

vLLM团队分析了推理时的内存浪费问题，认为推理中存在三种内存浪费

Reservation：由于不确定每个请求的输出长度，我们需要给每个请求预留max_seq_len的空间。
Internal Fragmentation：在Static Batching策略下，一个请求结束时，其剩余的空间旧被浪费掉了。
External Fragmentation：由于KVCache是一个巨大的矩阵，且必须占用连续内存，操作系统如果只分配大的连续内存，势必有很多小的内存空间被浪费掉。

请求中的内存浪费，来自vLLM paper

vLLM团队认为，Continuous Batching可以部分解决Internal Fragmentation问题，但是Reservation和External Fragmentation的浪费仍然存在。因此他们提出了Paged Attention，其借鉴了操作系统中通过Page管理虚拟内存的思想：将KVCache分割为固定大小的Block，这些block不需要存储在连续内存中，由一个统一的内存分配器管理。请求按需申请内存，不需要预先留好max_seq_len大小的内存，解决了Reservation的浪费，请求结束后释放掉自己的blocks，解决了Internal Fragmentation，而系统只需要分配小的block，解决了External Fragmentation的问题。

vLLM团队的benchmark显示，使用PagedAttention可以将模型批量推理的吞吐量再提升3倍以上，达到Static Batching的6倍，而Paged Attention的另一个好处是不同的请求可以共享cache block，比如在beam search场景中，我们需要对同一个prompt生成多个结果，这些子请求就可以共享同一批prompt cache，PageAttention可以将beam search的吞吐量提升10倍以上。

用户可以通过官方的vLLM库使用Paged Attention，英伟达的TensorRT-LLM库和微软的Deepspeed-MII库也对部分模型提供了支持。

SplitFuse

微软的DeepSpeed团队观察到：如果我们要在F个前向推理中处理P个token，最高效的分配策略是将它们均分，即每个前向推理处理P/F个Token。但是在模型推理过程中，我们需要先在context phase一次性处理整个prompt，然后在genration phase一个一个生成token，是不符合最优策略的，因此deepspeed提出了SplitFuse：

将长prompt分割成多个短的输入，分在多个前向推理处理，只有最后一次推理会生成新token。
短的prompt会被合并在一起进行前向推理。
保证每次前向推理的输入token数是固定的。

在vLLM中，不同请求的prompt和generation需要分开处理，而Deepspeed SplitFuse可以把它们混合处理，图片来自deepseed blog

SplitFuse在输入长度越长时效果越明显，在Deepspeed自己的benchmark中，输入长度为2600时吞吐量可以达到vLLM的2.3倍，不过vLLM团队不久前推出了PagedAttentionV2，专门对长prompt进行了优化，不知道deepspeed的benchmark有没有对比最新的vLLM。

由于SplitFuse刚出不久，我对它的理解还不是很透彻，它声称在generation阶段也是每次输入一个>1的固定长度n，但是模型generation阶段一次只能生成一个token，是怎么做到输入n个token的，难道是直接pad成n个token，这样真的不会导致generation很浪费计算资源吗？我看到Deepspeed的benchmark里都是prompt length=2600，generation length=60，我怀疑它只适合prompt很长generation很短的情况，欢迎了解Deepspeed的读者在评论区解读。

SplitFuse目前被包含在DeepSpeed MII框架里，暂时只支持LLAMA，Mistral，OPT三种模型架构。

总结

本文是《大语言模型推理加速技术》系列的第一篇，简单介绍了大模型的计算过程和一些主流的推理加速技术。本篇所介绍的技术都是不改变模型结构和精度的前提下，以目标为最大化硬件利用率的优化技术。在后续的两篇文章中，我们将继续探讨模型压缩技术和当前主流的推理框架。

由于我并不是大模型方面的专家，本篇文章中可能出现了很多不准确的解读，也欢迎各位读者赐教～

Reference:

[1] Attention介绍：https://towardsdatascience.com/illustrated-self-attention-2d627e33b20a

[2] KVCache介绍：https://medium.com/@joaolages/kv-caching-explained-276520203249

[3] SequenceParallel: https://arxiv.org/pdf/2105.13120.pdf

[4] From Online Softmax to FlashAttention: https://courses.cs.washington.edu/courses/cse599m/23sp/notes/flashattn.pdf

[5] Flash Decoding: https://pytorch.org/blog/flash-decoding/

[6] How continuous batching enables 23x throughput in LLM inference while reducing p50 latency: Achieve 23x LLM Inference Throughput & Reduce p50 Latency

[7] vLLM: Efficient Memory Management for Large Language Model Serving with PagedAttention

[8] SplitFuse: https://github.com/microsoft/DeepSpeed/tree/master/blogs/deepspeed-fastgen

[9] xFormers: GitHub - facebookresearch/xformers: Hackable and optimized Transformers building blocks, supporting a composable construction.