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

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。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多