FlexGen

FlexGen

单GPU高效运行大语言模型的生成引擎

FlexGen通过高效的IO卸载、压缩和大批量处理,实现了在单GPU上高吞吐量运行大语言模型。该系统专为高吞吐量任务设计,如信息提取和数据处理,特别适合成本敏感的环境。虽然FlexGen在小批量任务上速度较慢,但在批量处理和低成本硬件上具有显著优势。

FlexGen高吞吐量大语言模型GPU内存优化批处理Github开源项目

FlexGen: 使用单个GPU对大型语言模型进行高吞吐量生成推理 [论文]

FlexGen是一个用于在有限的GPU内存下运行大型语言模型的高吞吐量生成引擎。通过IO高效卸载、压缩和大有效批量,FlexGen实现了高吞吐量的生成。

动机

近年来,大型语言模型(LLM)在广泛的任务中表现出色。LLM不仅被应用于交互式应用(如聊天),还被广泛应用于许多“后台”任务。这些任务包括基准测试、信息提取、数据整理和表单处理。

这些应用的一个关键特征是它们是面向吞吐量的:它们需要对数百万个标记进行批量的LLM推理,例如公司语料库中的所有私密文档,或HELM基准中的所有任务。这些工作负载对延迟不太敏感——用户启动一个作业并让它运行一整夜——但增加吞吐量对于降低成本至关重要。吞吐量是整个作业运行时(可能是数小时)内每秒处理的标记数的度量。面向吞吐量的工作负载提供了用更高吞吐量来权衡延迟的机会,这使得利用低成本的普通GPU变得更加容易。

FlexGen的目标是创建一个高吞吐量系统,以便在低成本硬件(如单个普通GPU而非昂贵的系统)上为面向吞吐量的任务启用新的、令人兴奋的基础模型应用。

查看FlexGen在单个普通GPU上运行的示例,包括基准测试和数据整理。

局限性。作为一个基于卸载、运行于较弱GPU上的系统,FlexGen也有其局限性。与拥有足够强大的GPU以容纳整个模型的情况相比,FlexGen可能显著较慢,尤其是在小批量的情况下。FlexGen主要针对面向吞吐量的批处理设置(例如批量分类或从大量文档中提取信息)进行了优化,适用于单个GPU。


这个项目得益于以下合作的支持:

<a href="https://cs.stanford.edu/"><img src="https://yellow-cdn.veclightyear.com/2b54e442/7bd48afe-bab9-4f04-beba-a4a39126ba95.png" height="20"></a>     <a href="https://sky.cs.berkeley.edu/"><img src="https://yellow-cdn.veclightyear.com/2b54e442/00aaad63-de12-46fa-8bcf-46c14b613695.png" height="22"></a>     <a href="https://www.andrew.cmu.edu/user/beidic/"><img src="https://upload.wikimedia.org/wikipedia/commons/9/9b/Carnegie_Mellon_wordmark.svg" height="20"></a>     <a href="https://www.together.xyz/"><img src="https://yellow-cdn.veclightyear.com/2b54e442/2df596ca-ba67-4061-9e27-2a21f6948f35.png" height="20"></a>     <a href="https://research.yandex.com/"><img src="https://yellow-cdn.veclightyear.com/2b54e442/9b8a84f0-a24c-4797-8d74-32b9e6d4f555.png" height="20"></a>     <a href="https://ds3lab.inf.ethz.ch/"><img src="https://yellow-cdn.veclightyear.com/2b54e442/e62c2abd-2c47-4e4f-88cc-a7e226f00f06.png" height="20"></a>


内容

安装

要求:

方法1: 使用pip

pip install flexgen

方法2: 从源代码安装

git clone https://github.com/FMInference/FlexGen.git
cd FlexGen
pip install -e .

使用与示例

使用单个GPU入门

OPT-1.3B

要开始使用,可以先尝试一个小模型如OPT-1.3B。它适合在单个GPU上运行,因此无需卸载。FlexGen会自动从Hugging Face下载权重。

python3 -m flexgen.flex_opt --model facebook/opt-1.3b

您应该会看到由OPT-1.3B生成的文本以及基准测试结果。

OPT-30B

要运行像OPT-30B这样的大型模型,您需要使用CPU卸载。您可以尝试以下命令。--percent参数分别指定参数、注意力缓存和隐藏状态的卸载策略。该参数的确切含义可以在这里找到。

python3 -m flexgen.flex_opt --model facebook/opt-30b --percent 0 100 100 0 100 0

OPT-175B

要运行OPT-175B,您需要从metaseq下载权重并将其转换为Alpa格式。然后,您可以尝试将所有权重卸载到磁盘上:

python3 -m flexgen.flex_opt --model facebook/opt-175b --percent 0 0 100 0 100 0 --offload-dir YOUR_SSD_FOLDER

使用FlexGen运行HELM基准

FlexGen可以集成到HELM中,作为其执行后台。您可以使用以下命令在单个T4(16GB)GPU和200GB的DRAM上运行一个大规模多任务语言理解(MMLU)场景

pip install crfm-helm
python3 -m flexgen.apps.helm_run --description mmlu:model=text,subject=abstract_algebra,data_augmentation=canonical --pad-to-seq-len 512 --model facebook/opt-30b --percent 20 80 0 100 0 100 --gpu-batch-size 48 --num-gpu-batches 3 --max-eval-instance 100

请注意,只有部分HELM场景经过测试。查看更多测试场景这里

使用FlexGen运行数据整理任务

您可以按照这里的说明,运行本文中的示例,'Can Foundation Models Wrangle Your Data?'

扩展至分布式GPU

如果你有多台带有GPU的机器,FlexGen可以结合卸载与流水线并行来实现扩展。例如,如果你有2个GPU,但总的GPU内存小于模型大小,你仍然需要卸载。FlexGen允许你使用这2个GPU进行流水线并行,以加速生成。但要实现扩展的性能,你需要在分布式机器上配置GPU。参见此处的示例。

API示例

我们在completion.py中展示了FlexGen API的使用示例。此示例展示了如何对两个句子进行生成。为了从FlexGen中获得最佳吞吐量,你通常需要批处理更多的句子。

生成API

FlexGen有一个遵循Hugging Face的transformers风格的生成API。

output_ids = model.generate( input_ids, do_sample=True, temperature=0.7, max_new_tokens=32, stop=stop)

示例命令

你可以使用以下示例命令。如果你没有足够的GPU/CPU内存,请参阅处理内存不足部分。

# 使用OPT-6.7B进行补全。你需要至少15GB的GPU内存。
python3 -m flexgen.apps.completion --model facebook/opt-6.7b
# 使用OPT-30B进行补全。你需要大约90GB的CPU内存。
python3 -m flexgen.apps.completion --model facebook/opt-30b --percent 0 100 100 0 100 0
# 使用经过指令微调的OPT-IML-MAX-30B进行补全。你需要大约90GB的CPU内存。
python3 -m flexgen.apps.completion --model facebook/opt-iml-max-30b --percent 0 100 100 0 100 0

常见问题解答

如何设置卸载策略和--percent参数?

我们将会发布一个自动策略优化器,但目前你需要手动尝试几种策略。高吞吐量生成的理念是尽可能将参数和注意力缓存卸载到CPU和磁盘上,如果有必要的话。你可以在我们的基准测试中查看参考策略此处。为了避免内存不足,你可以调整--percent参数,以将更多的张量卸载到CPU和磁盘上。

如何处理内存不足?

如果你没有足够的GPU/CPU内存,可以尝试以下几种方法。它们可以节省更多的内存,但运行速度较慢。

  • 通过添加--pin-weight 0来不固定权重。这可以将CPU上的权重内存使用量减少约20%或更多。
  • 通过添加--compress-weight来启用权重压缩。这可以将权重内存使用量减少约70%。
  • 通过使用--percent 0 0 100 0 100 0将所有权重卸载到磁盘。这需要非常少的CPU和GPU内存。

性能结果

生成吞吐量(token/s)

对应的有效批量大小和最低卸载设备在括号中。更多详情请参见此处

系统OPT-6.7BOPT-30BOPT-175B
Hugging Face Accelerate25.12 (2个在GPU上)0.62 (8个在CPU上)0.01 (2个在磁盘上)
DeepSpeed ZeRO-Inference9.28 (16个在CPU上)0.60 (4个在CPU上)0.01 (1个在磁盘上)
Petals8.25 (2个在GPU上)2.84 (2个在GPU上)0.08 (2个在GPU上)
FlexGen25.26 (2个在GPU上)7.32 (144个在CPU上)0.69 (256个在磁盘上)
FlexGen with Compression29.12 (72个在GPU上)8.38 (512个在CPU上)1.12 (144个在CPU上)
  • 硬件:在GCP上的一台NVIDIA T4(16GB)实例,配有208GB的DRAM和1.5TB的SSD。
  • 工作负载:输入序列长度=512,输出序列长度=32。批量大小调整为一个最大化生成吞吐量的大值,以适应每个系统。
  • 指标:生成吞吐量(token/s)=生成的tokens数量/(处理提示的时间+生成的时间)。

如何重现

延迟-吞吐量权衡

下图显示了三种基于卸载的系统在OPT-175B(左)和OPT-30B(右)上的延迟和吞吐量权衡。FlexGen通过显著提高这两种模型的最大吞吐量,达到了新的帕累托最优前沿。由于内存不足,其他系统无法进一步提高吞吐量。"FlexGen(c)"表示使用压缩的FlexGen。

<img src="https://yellow-cdn.veclightyear.com/2b54e442/260b7de1-f09a-4313-9740-8ca2172ed7fd.jpg" alt="image" width="500"></img>

工作原理

通过聚合来自GPU、CPU和磁盘的内存和计算资源,FlexGen可以在各种硬件资源约束下灵活配置。通过线性规划优化器,它搜索存储和访问张量(包括权重、激活和注意力键/值(KV)缓存)的最佳模式。FlexGen进一步将权重和KV缓存压缩至4位,且精度损失可以忽略不计。

FlexGen的一个关键理念是利用延迟-吞吐量权衡。实现低延迟对于卸载方法来说本质上是一个挑战,但卸载的I/O效率可以在面向吞吐量的场景中大大提升(见上图)。FlexGen利用块调度来重用权重并将I/O与计算重叠,如下图(b)所示,而其他基线系统则使用效率较低的逐行调度,如下图(a)所示。

<img src="https://yellow-cdn.veclightyear.com/2b54e442/16d932df-9cca-4a5e-8a07-70c4ab52eebc.jpg" alt="image" width="500"></img>

更多技术细节请参见我们的论文

路线图

我们计划开发以下功能。

  • 优化同一台机器上多个GPU的性能
  • 支持更多的模型(BLOOM、CodeGen、GLM)
  • 发布成本模型和策略优化器
  • Macbook支持(M1和M2)
  • AMD支持

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多