Skip to content

Latest commit

 

History

History
193 lines (110 loc) · 11.2 KB

inference.md

File metadata and controls

193 lines (110 loc) · 11.2 KB
Raw

大模型推理教程

PaddleNLP以一站式体验、极致性能为设计理念，实现大模型的快速推理。

PaddleNLP大模型推理构建了高性能推理方案：

  • 内置动态插入和全环节算子融合策略

  • 支持PageAttention、FlashDecoding优化

  • 支持Weight Only INT8及INT4推理，支持权重、激活、Cache KV进行INT8、FP8量化的推理

  • 提供动态图推理和静态图推理两种方式

PaddleNLP大模型推理提供压缩、推理、服务全流程体验 ：

  • 提供多种PTQ技术，提供WAC（权重/激活/缓存）灵活可配的量化能力，支持INT8、FP8、4Bit量化能力

  • 支持多硬件大模型推理，包括昆仑XPU、昇腾NPU、海光K100、燧原GCU、X86 CPU等

  • 提供面向服务器场景的部署服务，支持连续批处理(continuous batching)、流式输出等功能，HTTP协议的服务接口

1. 模型支持

PaddleNLP 中已经添加高性能推理模型相关实现，已验证过的模型如下：

Models Example Models
Llama 3.1, Llama 3, Llama 2 meta-llama/Meta-Llama-3.1-8B, meta-llama/Meta-Llama-3.1-8B-Instruct, meta-llama/Meta-Llama-3.1-405B, meta-llama/Meta-Llama-3.1-405B-Instruct,meta-llama/Meta-Llama-3-8B, meta-llama/Meta-Llama-3-8B-Instruct, meta-llama/Meta-Llama-3-70B, meta-llama/Meta-Llama-3-70B-Instruct, meta-llama/Llama-Guard-3-8B, Llama-2-7b, meta-llama/Llama-2-7b-chat, meta-llama/Llama-2-13b, meta-llama/Llama-2-13b-chat, meta-llama/Llama-2-70b, meta-llama/Llama-2-70b-chat
Qwen 2 Qwen/Qwen2-0.5B, Qwen/Qwen2-0.5B-Instruct, Qwen/Qwen2-1.5B, Qwen/Qwen2-1.5B-Instruct, Qwen/Qwen2-7B, Qwen/Qwen2-7B-Instruct, Qwen/Qwen2-72B, Qwen/Qwen2-72B-Instruct, Qwen/Qwen2-57B-A14B, Qwen/Qwen2-57B-A14B-Instruct, Qwen/Qwen2-Math-1.5B-Instruct
Qwen 2.5 Qwen/Qwen2.5-7B-Instruct, Qwen/Qwen2.5-14B-Instruct, Qwen/Qwen2.5-Math-1.5B-Instruct, Qwen/Qwen2.5-Coder-1.5B-Instruct
Qwen-MoE Qwen/Qwen1.5-MoE-A2.7B, Qwen/Qwen1.5-MoE-A2.7B-Chat, Qwen/Qwen2-57B-A14B, Qwen/Qwen2-57B-A14B-Instruct
Mixtral mistralai/Mixtral-8x7B-Instruct-v0.1, mistralai/Mixtral-8x22B-Instruct-v0.1
ChatGLM 3, ChatGLM 2 THUDM/chatglm3-6b, THUDM/chatglm2-6b
Baichuan 2, Baichuan baichuan-inc/Baichuan2-7B-Base, baichuan-inc/Baichuan2-7B-Chat, baichuan-inc/Baichuan2-13B-Base, baichuan-inc/Baichuan2-13B-Chat, baichuan-inc/Baichuan-7B, baichuan-inc/Baichuan-13B-Base, baichuan-inc/Baichuan-13B-Chat

2. 硬件&精度支持

PaddleNLP 提供了多种硬件平台和精度支持，包括：

Precision Hopper Ada Ampere Turing Volta 昆仑XPU 昇腾NPU 海光K100 燧原GCU x86 CPU
FP32 ✅ ✅ ✅ ✅ ✅ ✅ ✅ ✅ ✅ ✅
FP16 ✅ ✅ ✅ ✅ ✅ ✅ ✅ ✅ ✅ ✅
BF16 ✅ ✅ ✅ ❌ ❌ ❌ ❌ ❌ ❌ ✅
INT8 ✅ ✅ ✅ ✅ ✅ ✅ ✅ ✅ ❌ ✅
FP8 🚧 ✅ ❌ ❌ ❌ ❌ ❌ ❌ ❌ ❌

3. 推理参数

PaddleNLP 提供了多种参数，用于配置推理模型和优化推理性能。

3.1 常规参数

  • model_name_or_path: 必需，预训练模型名称或者本地的模型路径，用于热启模型和分词器，默认为None。

  • dtype: 必需，模型参数dtype，默认为None。如果没有传入lora_path或prefix_path则必须传入dtype参数。

  • lora_path: LoRA参数和配置路径，对LoRA参数进行初始化，默认为None。

  • prefix_path: Prefix Tuning参数和配置路径，对Prefix Tuning参数进行初始化，默认为None。

  • batch_size: 批处理大小，默认为1。该参数越大，占用显存越高；该参数越小，占用显存越低。

  • data_file: 待推理json文件，默认为None。样例数据：

    {"tgt":"", "src": "写一个300字的小说大纲，内容是李白穿越到现代，最后成为公司文职人员的故事"}
{"tgt":"", "src": "我要采访一位科幻作家，创建一个包含5个问题的列表"}

  • output_file: 保存推理结果文件，默认为output.json。

  • device: 运行环境，默认为gpu，可选的数值有gpu、cpu、xpu、npu、gcu等（dcu与gpu推理命令一致）。

  • model_type: 初始化不同类型模型，gpt-3: GPTForCausalLM; ernie-3.5-se: Ernie35ForCausalLM; 默认为 None。

  • mode: 使用动态图或者静态图推理，可选值有dynamic、 static，默认为dynamic。

  • avx_model: 当使用CPU推理时，是否使用AvxModel，默认为False。参考CPU推理教程。

  • avx_type: avx计算类型，默认为None。可选的数值有fp16、 bf16。

  • src_length: 模型输入上下文最大token长度，默认为1024。

  • max_length:模型输入（上下文+生成内容）的最大token长度, 默认为2048。

3.2 性能优化参数

  • inference_model: 是否使用 Inference Model 推理，默认值为 False。Inference Model 内置动态插入和全环节算子融合策略，开启后性能更优。

  • block_attn: 是否使用 Block Attention 推理， 默认值为False。Block Attention 是基于 PageAttention 的思想设计并实现的，在保持高性能推理和动态插入的基础上可以动态地为 cachekv 分配存储空间，极大地节省显存并提升推理的吞吐。

  • append_attn: Append Attention 在 Block Attention 实现的基础上，进一步借鉴 FlashInfer 的实现对 Attention 模块进行了优化，并增加了C4的高性能支持，极大地提升了推理性能。属于是 Block Attention 实现的升级版，此选项可替代block_attn单独开启。

  • block_size: 如果使用 Block Attention 或者 Append Attention 推理，指定一个 Block 可以存储的 token 数量，默认值为64。

3.3 量化参数

PaddleNLP 提供了多种量化策略，支持Weight Only INT8及INT4推理，支持WAC（权重、激活、Cache KV）进行INT8、FP8量化的推理

  • quant_type: 是否使用量化推理，默认值为None。可选的数值有weight_only_int8、weight_only_int4、a8w8和a8w8_fp8。a8w8与a8w8_fp8需要额外的act和weight的scale校准表，推理传入的 model_name_or_path 为PTQ校准产出的量化模型。量化模型导出参考大模型量化教程。

  • cachekv_int8_type: 是否使用cachekv int8量化，默认值为None。可选dynamic（已不再维护，不建议使用）和static两种，static需要额外的cache kv的scale校准表，传入的 model_name_or_path 为PTQ校准产出的量化模型。量化模型导出参考大模型量化教程。

3.4 解码策略参数

  • decode_strategy: 推理解码策略，默认值为sampling，可选的数值有greedy_search、beam_search和sampling。

  • top_k: “采样”策略中为 top-k 过滤保留的最高概率标记的数量。默认值为1，等价于贪心策略。

  • top_p:“采样”策略中 top-p 过滤的累积概率。默认值为1.0，表示不起作用。

  • temperature:“采样”策略中会对输出logit除以temperature。默认值为1.0，表示不起作用。

3.4 性能分析参数

  • benchmark: 是否开启性能分析，默认值为False。如果设为true，会将模型输入填充为src_length并强制解码到max_length，并计算模型推理吞吐量、记录推理时间。

4. 快速开始

4.1 环境准备

参考安装教程。

4.2 推理示例

下面给出Llama2-7B的动态图推理示例：

# 动态图模型推理命令参考
python ./predict/predictor.py --model_name_or_path meta-llama/Llama-2-7b-chat --inference_model --dtype float16 --block_attn

# XPU设备动态图模型推理命令参考
python ./predict/predictor.py --model_name_or_path meta-llama/Llama-2-7b-chat --inference_model --dtype float16 --block_attn --device xpu

# Weight Only Int8 动态图推理参考
python ./predict/predictor.py --model_name_or_path meta-llama/Llama-2-7b-chat --inference_model --dtype float16 --quant_type weight_only_int8 --block_attn

# PTQ-A8W8推理命令参考
python ./predict/predictor.py --model_name_or_path checkpoints/llama_ptq_ckpts --inference_model --dtype float16 --block_attn --quant_type a8w8

# PTQ-A8W8C8推理命令参考
python ./predict/predictor.py --model_name_or_path checkpoints/llama_ptq_ckpts --inference_model --dtype float16 --block_attn --quant_type a8w8  --cachekv_int8_type static

# CacheKV 动态量化推理命令参考
python ./predict/predictor.py --model_name_or_path meta-llama/Llama-2-7b-chat --inference_model --dtype float16 --block_attn --cachekv_int8_type dynamic

Note:

  1. quant_type可选的数值有weight_only_int8、weight_only_int4、a8w8和a8w8_fp8。
  2. a8w8与a8w8_fp8需要额外的act和weight的scale校准表，推理传入的 model_name_or_path 为PTQ校准产出的量化模型。量化模型导出参考大模型量化教程。
  3. cachekv_int8_type可选dynamic（已不再维护，不建议使用）和static两种，static需要额外的cache kv的scale校准表，传入的 model_name_or_path 为PTQ校准产出的量化模型。量化模型导出参考大模型量化教程。

更多大模型推理教程：

环境准备，参考：

获取最佳推理性能：

更多压缩、服务化推理体验：

更多硬件大模型推理教程：

致谢

我们参考FlashInfer框架，在FlashInfer的基础上，实现了append attention。参考PageAttention的page分块的思想实现了generation阶段的block attention。基于Flash Decoding的KV分块思想实现了长sequence场景下的推理加速。基于Flash Attention2实现了prefill阶段的attention加速。FP8 GEMM基于CUTLASS的高性能模板库实现。有部分算子如gemm_dequant参考了TensorRT-LLM和FasterTransformer的实现和优化思路。