本篇以mapping 為主）主要是了解大模型mlsys的一些核心組成

原標(biāo)題：大模型MLSYS學(xué)習(xí)隨筆- 訓(xùn)推框架總覽
文章來源：智猩猩GenAI
內(nèi)容字?jǐn)?shù)：25824字

大模型Mlsys核心組成及挑戰(zhàn)：基于Mapping的學(xué)習(xí)筆記

本文是作者Bruce仗劍走天涯學(xué)模型Mlsys核心組成及當(dāng)前問題的記錄，主要關(guān)注mapping層面。

1. 基礎(chǔ)：計(jì)算圖和AI控制流

AI軟件棧的核心是AI圖編譯器，它優(yōu)化計(jì)算圖的調(diào)度。計(jì)算圖以有向圖表示，節(jié)點(diǎn)是操作(ops)和數(shù)據(jù)。PyTorch和TensorFlow支持跨設(shè)備和機(jī)器調(diào)度，通信作為計(jì)算圖上的算子，底層依賴如NCCL庫。ONNX則用于跨框架模型遷移。

2. 大模型執(zhí)行圖

(原文未詳細(xì)展開此部分，需參考原文鏈接)

3. 輸入預(yù)處理：Tokenizer和Embedding

Tokenizer是輸入處理的第一步，將文本劃分成token并建立詞表。主流Tokenizer基于subword（字詞），例如BPE、BBPE、WordPiece，兼顧詞表規(guī)模和解碼效率。Google的SentencePiece工具包集成了BBPE能力。

Embedding將token映射到向量空間。常見的Embedding方法包括Word2Vec、GloVe、FastText和OpenAI的Embeddings API(text-embedding-ada-002)。生成的Embedding可存儲(chǔ)在向量數(shù)據(jù)庫中。

4. 輸入預(yù)處理：Position Encoding

Position Encoding對(duì)輸入序列建模。文章介紹了四種方法：

1. Sinusoidal：Transformer原始方法，公式固化embedding，外推能力差。
2. Learned Positional Embedding：絕對(duì)位置編碼，實(shí)現(xiàn)簡(jiǎn)單，存在最大position限制。
3. RoPE：旋轉(zhuǎn)式位置編碼，適合attention計(jì)算，信息更清晰，但存在遠(yuǎn)程衰減。
4. ALiBi：在self-attention中增加位置信息懲罰，外推性好。

5. 推理執(zhí)行優(yōu)化

文章總結(jié)了五類解碼策略：

1. 自回歸：greedy、beam、sampling
2. 非自回歸：多token并行，但準(zhǔn)確性不如自回歸
3. Early exiting：根據(jù)layer判斷輸出可信度，加速推理但準(zhǔn)確性不足
4. 投機(jī)解碼：多個(gè)小模型生成候選，大模型驗(yàn)證，提升性能
5. Cascade inference：根據(jù)請(qǐng)求復(fù)雜度選擇不同規(guī)模模型

6. 架構(gòu)優(yōu)化

文章從多個(gè)方面探討了架構(gòu)優(yōu)化：

1. Activation sharing：MQA、GQA、YOCO等方法共享KV，減少顯存占用。
2. Attention化簡(jiǎn)：Linear Attention降低計(jì)算復(fù)雜度，但存在精度損失，Streaming-LLM是一種改進(jìn)方案。
3. Conditional computing：MoE和CoE架構(gòu)，基于routing的條件計(jì)算。
4. Recurrent Unit：RetNet、RWKV和Mamba等模型重新挑戰(zhàn)Transformer的地位。
5. 降低模型配置：降低參數(shù)等，但需要保證性能。

7. 量化&模型壓縮

模型壓縮技術(shù)包括剪枝和量化(FP32到INT4/8，GPTQ、AWQ、FPTQ等)，降低顯存占用并提高計(jì)算密度。

8. 顯存管理

Paged Attention解決內(nèi)存碎片化問題，持久化KV Cache(Mooncake)成為趨勢(shì)，Prefix Cache用于提高生產(chǎn)力助手場(chǎng)景的效率。

9. 請(qǐng)求調(diào)度

Continuous batching(Orca)提高硬件利用率，Dynamic SplitFuse(DeepSpeed-FastGen)對(duì)齊forward sizes，優(yōu)化吞吐量和延遲。

10. 分離式架構(gòu)

DistServe、Spliwise和MoonCake等分離式架構(gòu)將prefill和decode分開處理，提高吞吐量。

11. Kernel 優(yōu)化

FlashAttention、FlashDecoding等工作優(yōu)化算子，提高計(jì)算效率。與內(nèi)存管理、分布式并行、變長(zhǎng)輸入處理、投機(jī)推理和量化相關(guān)。

12. 并行計(jì)算

文章介紹了Data Parallel(DP)、Tensor Parallel(TP)、Pipeline Parallel(PP)、Expert Parallel和Sequence Parallel等并行方式，以及ZeRO、FSDP等技術(shù)。

13. 業(yè)界推理框架比較

文章簡(jiǎn)要比較了TensorRT-LLM、vLLM、OpenPPL-LLM、RTP-LLM等推理框架。

14. 訓(xùn)練執(zhí)行框架

文章介紹了Megatron和DeepSpeed等訓(xùn)練框架，以及集群管理和異常處理的重要性。

15. Megatron vs DeepSpeed

文章比較了Megatron和DeepSpeed的優(yōu)缺點(diǎn)，Megatron性能更好但不易用，DeepSpeed易用性更好。

16. 集群相關(guān)工作

文章介紹了字節(jié)的Megascale工作，包括容錯(cuò)、并行優(yōu)化、網(wǎng)絡(luò)優(yōu)化和可分析性等方面。

聯(lián)系作者

文章來源：智猩猩GenAI
作者微信：
作者簡(jiǎn)介：智猩猩旗下公眾號(hào)之一，專注于生成式人工智能。