使用前瞻解码打破大语言模型推理的顺序依赖

| 论文 | 博客 | 路线图 |

新闻 🔥

[2024/2] 前瞻解码论文现已在arXiv上发布。现已支持采样和FlashAttention。更新了用于更好的令牌预测的高级功能。

介绍

我们介绍前瞻解码：

一种用于加速大语言模型推理的并行解码算法。
无需草稿模型或数据存储。
相对于每个解码步骤使用的计算量对数，线性减少解码步骤数。

以下是前瞻解码加速LLaMa-2-Chat 7B生成的演示：

前瞻解码在LLaMA-2-Chat 7B生成中加速的演示。蓝色字体是在一个解码步骤中并行生成的令牌。

背景：使用雅可比迭代的并行大语言模型解码

前瞻解码受到雅可比解码的启发，该方法将自回归解码视为求解非线性系统，并使用固定点迭代方法同时解码所有未来令牌。以下是雅可比解码的示例。

应用雅可比迭代方法进行并行大语言模型解码的示意图。

然而，雅可比解码在实际的大语言模型应用中几乎看不到实际的加速效果。

前瞻解码：使雅可比解码可行

前瞻解码利用雅可比解码的能力，通过收集和缓存从雅可比迭代轨迹生成的n-gram。

以下动图展示了通过雅可比解码收集2-gram并验证它们以加速解码的过程。

使用2-gram的前瞻解码示意图。

为了提高这个过程的效率，每个前瞻解码步骤被分为两个并行分支：前瞻分支和验证分支。前瞻分支维护一个固定大小的2D窗口，从雅可比迭代轨迹生成n-gram。同时，验证分支选择并验证有希望的n-gram候选。

前瞻分支和验证分支

前瞻分支旨在生成新的N-gram。该分支使用由两个参数定义的二维窗口运行：

窗口大小W：我们在未来令牌位置向前看多远以进行并行解码。
N-gram大小N：我们回顾过去的雅可比迭代轨迹多少步以检索n-gram。

在验证分支中，我们识别第一个令牌与最后一个输入令牌匹配的n-gram。这是通过简单的字符串匹配确定的。一旦识别出来，这些n-gram被附加到当前输入，并通过对它们进行大语言模型前向传递来验证。

我们在一个注意力掩码中实现这些分支，以进一步利用GPU的并行计算能力。

使用4-gram和窗口大小5的前瞻解码的注意力掩码。在这个掩码中，两个4-gram候选（右下）与并行解码同时验证。

实验结果

我们的研究表明，前瞻解码显著降低了延迟，在单个GPU上不同数据集上的加速范围从1.5倍到2.3倍。请参见下图。

前瞻解码在不同模型和数据集上的加速效果。

安装

使用Pip安装

pip install lade

从源代码安装

git clone https://github.com/hao-ai-lab/LookaheadDecoding.git
cd LookaheadDecoding
pip install -r requirements.txt
pip install -e .

使用前瞻解码进行推理

您可以运行最小示例来看到前瞻解码带来的加速。

python minimal.py #不使用前瞻解码
USE_LADE=1 LOAD_LADE=1 python minimal.py #使用前瞻解码，1.6倍加速

您还可以使用前瞻解码与自己的聊天机器人聊天。

USE_LADE=1 python applications/chatbot.py  --model_path meta-llama/Llama-2-7b-chat-hf --debug --chat #聊天，使用前瞻
USE_LADE=0 python applications/chatbot.py  --model_path meta-llama/Llama-2-7b-chat-hf --debug --chat #聊天，不使用前瞻

USE_LADE=1 python applications/chatbot.py  --model_path meta-llama/Llama-2-7b-chat-hf --debug #不聊天，使用前瞻
USE_LADE=0 python applications/chatbot.py  --model_path meta-llama/Llama-2-7b-chat-hf --debug #不聊天，不使用前瞻

在自己的代码中使用前瞻解码

您可以在自己的代码中导入并使用前瞻解码，只需三行代码。您还需要在命令行中设置USE_LADE=1或在Python脚本中设置os.environ["USE_LADE"]="1"。请注意，前瞻解码目前仅支持LLaMA。

import lade
lade.augment_all()
lade.config_lade(LEVEL=5, WINDOW_SIZE=7, GUESS_SET_SIZE=7, DEBUG=0) 
#LEVEL、WINDOW_SIZE和GUESS_SET_SIZE是前瞻解码中三个重要的配置（N,W,G），请参考我们的博客！
#您可以通过在自己的设备上调整LEVEL/WINDOW_SIZE/GUESS_SET_SIZE来获得更好的性能。

然后您可以加速解码过程。以下是使用贪婪搜索的示例：

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16, device_map=torch_device)
model_inputs = tokenizer(input_text, return_tensors='pt').to(torch_device)
greedy_output = model.generate(**model_inputs, max_new_tokens=1024) #获得加速

以下是使用采样的示例：

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16, device_map=torch_device)
model_inputs = tokenizer(input_text, return_tensors='pt').to(torch_device)
sample_output = model.generate(**model_inputs, max_new_tokens=1024, temperature=0.7) #获得加速

FlashAttention支持

安装原始FlashAttention

pip install flash-attn==2.3.3 #原始FlashAttention

安装专门用于前瞻解码的FlashAttention有两种方法

在https://github.com/Viol2000/flash-attention-lookahead/releases/tag/v2.3.3 下载预构建包并安装（快速，推荐）。例如，我的cuda==11.8，python==3.9和torch==2.1，我应该执行以下操作：

wget https://github.com/Viol2000/flash-attention-lookahead/releases/download/v2.3.3/flash_attn_lade-2.3.3+cu118torch2.1cxx11abiFALSE-cp39-cp39-linux_x86_64.whl
pip install flash_attn_lade-2.3.3+cu118torch2.1cxx11abiFALSE-cp39-cp39-linux_x86_64.whl

从源代码安装（慢，不推荐）

git clone https://github.com/Viol2000/flash-attention-lookahead.git
cd flash-attention-lookahead && python setup.py install

以下是使用FlashAttention运行模型的示例脚本：

python minimal-flash.py #不使用前瞻解码，使用FlashAttention
USE_LADE=1 LOAD_LADE=1 python minimal-flash.py #使用前瞻解码，使用FlashAttention，比不使用FlashAttention快20%

在您自己的代码中，调用config_lade时需要设置USE_FLASH=True，调用AutoModelForCausalLM.from_pretrained时需要设置attn_implementation="flash_attention_2"。

import lade
lade.augment_all()
lade.config_lade(LEVEL=5, WINDOW_SIZE=7, GUESS_SET_SIZE=7, USE_FLASH=True, DEBUG=0) 
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16, device_map=torch_device, attn_implementation="flash_attention_2")
model_inputs = tokenizer(input_text, return_tensors='pt').to(torch_device)
greedy_output = model.generate(**model_inputs, max_new_tokens=1024) #获得加速

我们将直接将FlashAttention集成到这个仓库中，以简化安装和使用。

引用

@misc{fu2024break,
      title={Break the Sequential Dependency of LLM Inference Using Lookahead Decoding}, 
      author={Yichao Fu and Peter Bailis and Ion Stoica and Hao Zhang},
      year={2024},
      eprint={2402.02057},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}