【大模型系列篇】NVIDIA TensorRT-LLM 大模型推理框架实践

木亦汐丫

已于 2024-12-09 18:47:02 修改

阅读量4.1k

点赞数 16

分类专栏：大模型文章标签：大模型推理 nvidia TensorRT-LLM 量化硬件加速

于 2024-11-28 15:44:24 首次发布

本文链接：https://blog.csdn.net/Jackie_vip/article/details/144105342

版权

大模型专栏收录该内容

55 篇文章

订阅专栏

TensorRT-LLM是NVIDIA推出的一个开源库，用于定义、优化和执行大型语言模型（LLM）在生产环境的推理。

该库是基于 TensorRT 深度学习编译框架来构建、编译并执行计算图，并借鉴了许多 FastTransformer 中高效的 Kernels 实现，然后利用 NCCL 完成设备之间的通讯。

考虑到技术的发展和需求的差异，开发者还可以定制算子来满足定制需求，比如基于 cutlass 开发定制 GEMM。TensorRT-LLM 是一款致力于提供高性能并不断完善其实用性的 NVIDIA 官方推理方案。

开源社区

TensorRT-LLM已经在GitHub上开源，分为Release branch和Dev branch，其中Release branch每月更新一次，而Dev branch则更频繁地更新来自官方或社区中的功能，方便开发者体验、评估最新功能。

开源地址：https://github.com/NVIDIA/TensorRT-LLM

主要功能

Attention

FMHA(Fused multi-head attention)

由于 Transformer 中最为耗时的部分是 self-attention 的计算，因此官方设计了 FMHA 来优化 self-attention 的计算，并提供了累加器分别为 fp16 和 fp32 不同的版本。

另外，除了速度上的提升外，对内存的占用也大大降低。还提供了基于 flash attention 的实现，可以将 sequence-length 扩展到任意长度。

FMHA 的详细信息，其中 MQA 为 Multi Query Attention，GQA 为 Group Query Attention。

MMHA(Masked Multi-Head Attention)

FMHA 主要用在 context phase 阶段的计算，而 MMHA 主要提供 generation phase 阶段 attention 的加速，并提供了 Volta 和之后架构的支持。相比 FastTransformer 的实现，TensorRT-LLM 有进一步优化，性能提升高达 2x。

量化技术

默认采用 FP16/BF16 的精度推理，可以更低精度的方式实现推理加速。

常用量化方式主要分为 PTQ(Post Training Quantization)和 QAT(Quantization-aware Training)，对于 TensorRT-LLM 而言，这两种量化方式的推理逻辑是相同的。对于 LLM 量化技术，一个重要的特点是算法设计和工程实现的 co-design，即对应量化方法设计之初，就要考虑硬件的特性。否则，有可能达不到预期的推理速度提升。

TensorRT 中 PTQ 量化步骤一般分为如下几步，首先对模型做量化，然后对权重和模型转化成 TensorRT-LLM 的表示。对于一些定制化的操作，还需要用户自己编写 kernels。

常用的 PTQ 量化方法包括 INT8 weight-only、SmoothQuant、GPTQ 和 AWQ，这些方法都是典型的 co-design 的方法。

第一个量化方法是INT8 weight-only 直接把权重量化到 INT8，但是激活值还是保持为 FP16。该方法的好处就是模型存储2x减小，加载 weights 的存储带宽减半，达到了提升推理性能的目的。这种方式业界称作 W8A16，即权重为 INT8，激活值为 FP16/BF16——以 INT8 精度存储，以 FP16/BF16 格式计算。该方法直观，不改变 weights，容易实现，具有较好的泛化性能。

第二个量化方法是 SmoothQuant，该方法是 NVIDIA 和社区联合设计的。它观察到权重通常服从高斯分布，容易量化，但是激活值存在离群点，量化比特位利用不高。SmoothQuant 通过先对激活值做平滑操作即除以一个scale将对应分布进行压缩，同时为了保证等价性，需要对权重乘以相同的 scale。之后，权重和激活都可以量化。对应的存储和计算精度都可以是 INT8 或者 FP8，可以利用 INT8 或者 FP8 的 TensorCore 进行计算。在实现细节上，权重支持 Per-tensor 和 Per-channel 的量化，激活值支持 Per-tensor 和 Per-token 的量化。

第三个量化方法是 GPTQ，一种逐层量化的方法，通过最小化重构损失来实现。GPTQ 属于 weight-only 的方式，计算采用 FP16 的数据格式。该方法用在量化大模型时，由于量化本身开销就比较大，所以作者设计了一些 trick 来降低量化本身的开销，比如 Lazy batch-updates 和以相同顺序量化所有行的权重。GPTQ 还可以与其他方法结合使用如 grouping 策略。并且，针对不同的情况，TensorRT-LLM 提供了不同的实现优化性能。具体地，对 batch size 较小的情况，用 cuda core 实现；相对地，batch size 较大时，采用 tensor core 实现。

第四个量化方式是 AWQ。该方法认为不是所有权重都是同等重要的，其中只有 0.1%-1% 的权重（salient weights）对模型精度贡献更大，并且这些权重取决于激活值分布而不是权重分布。该方法的量化过程类似于 SmoothQuant，差异主要在于 scale 是基于激活值分布计算得到的。

‌

多卡和多机支持‌

TensorRT-LLM 目前提供了 Tensor Parallelism 和 Pipeline Parallelism 两种并行机制，支持单机单卡、单机多卡、多机多卡的推理需求。在一些场景中，大模型过大无法放在单个 GPU 上推理，或者可以放下但是影响了计算效率，都需要多卡或者多机进行推理，以提升性能。

TP 是垂直地分割模型然后将各个部分置于不同的设备上，这样会引入设备之间频繁的数据通讯，一般用于设备之间有高度互联的场景，如 NVLINK。另一种分割方式是横向切分，此时只有一个横前面，对应通信方式是点对点的通信，适合于设备通信带宽较弱的场景。

In-flight batching

Batching 是提高推理性能一个比较常用的做法，但在 LLM 推理场景中，一个 batch 中每个 sample/request 的输出长度是无法预测的。如果按照静态batching的方法，一个batch的时延取决于 sample/request 中输出最长的那个。因此，虽然输出较短的 sample/request 已经结束，但是并未释放计算资源，其时延与输出最长的那个 sample/request 时延相同。

In-Flight Batching 又名 Continuous Batching 或 iteration-level batching，该技术可以提升推理吞吐率，降低推理时延。In-flight batching 的做法是在已经结束的 sample/request 处插入新的 sample/request。这样，不但减少了单个 sample/request 的延时，避免了资源浪费问题，同时也提升了整个系统的吞吐。

易用

TensorRT-LLM提供了类似于PyTorch的API，降低了开发者的学习成本。同时，该库支持多种编程语言接口，包括Python和C++，方便开发者根据需求选择合适的开发环境。此外，TensorRT-LLM还提供了许多预定义好的模型，方便用户直接使用‌。

性能

TensorRT-LLM在性能上表现出色，与Hugging Face Transformers（HF）相比，性能提升约2~3倍。此外，TensorRT-LLM通过支持多种量化精度和高效的缓存机制，可以进一步提升了推理效率‌。此次引用其他模型的评测效果对比：

推理快速实践

安装 NVIDIA Container Toolkit
下载合适的镜像，选择对应的cuda版本，操作系统建议下载ubuntu22.04系统的版本对应Python3.10版本

# 可以使用Docker Proxy镜像加速：https://dockerproxy.net
docker pull nvidia/cuda:12.4.0-devel-ubuntu22.04

启动容器

# Obtain and start the basic docker image environment (optional).
docker run --rm --ipc=host --runtime=nvidia --gpus all --entrypoint /bin/bash -it nvidia/cuda:12.4.0-devel-ubuntu22.04

安装TensorRT-LLM，进入容器

# Install dependencies, TensorRT-LLM requires Python 3.10
apt-get update && apt-get -y install python3.10 python3-pip openmpi-bin libopenmpi-dev git git-lfs

# Install the latest preview version (corresponding to the main branch) of TensorRT-LLM.
# If you want to install the stable version (corresponding to the release branch), please
# remove the `--pre` option.
pip3 install tensorrt_llm -U --pre --extra-index-url https://pypi.nvidia.com

# Check installation
python3 -c "import tensorrt_llm"

下载代码(可以使用gitcode加速)，验证chatglm-6b模型推理

# 可以使用gitcode加速 
# git clone https://gitcode.com/gh_mirrors/te/TensorRT-LLM.git
git clone https://github.com/NVIDIA/TensorRT-LLM.git
cd TensorRT-LLM
pip install -r examples/chatglm/requirements.txt
git lfs install

下载模型，选择modelscope进行下载

CHATGLM_PATH="/root/TensorRT-LLM/examples/chatglm"
git clone https://www.modelscope.cn/ZhipuAI/chatglm3-6b.git $CHATGLM_PATH/chatglm3-6b

模型格式转换

# Convert checkpoint from HF to TRT-LLM format
python3 $CHATGLM_PATH/convert_checkpoint.py \
                --model_dir $CHATGLM_PATH/chatglm3-6b \
                --dtype float16 \
                --output_dir $CHATGLM_PATH/chatglm3-6b/trt_ckpt/fp16/1-gpu/
                
# Build TensorRT-LLM model from checkpoint
trtllm-build --checkpoint_dir $CHATGLM_PATH/chatglm3-6b/trt_ckpt/fp16/1-gpu/ \
             --gemm_plugin float16 \
             --output_dir $CHATGLM_PATH/chatglm3-6b//trt_engines/fp16/1-gpu/

量化 -【INT8 weight-only】

# Build the chatglm3-6b using a single GPU and apply INT8 weight-only quantization.
python3 $CHATGLM_PATH/convert_checkpoint.py \
                --model_dir $CHATGLM_PATH/chatglm3-6b \
                --dtype float16 \
                --use_weight_only \
                --output_dir $CHATGLM_PATH/chatglm3-6b/trt_ckpt/int8_weight_only/1-gpu/
                
trtllm-build --checkpoint_dir $CHATGLM_PATH/chatglm3-6b/trt_ckpt/int8_weight_only/1-gpu/ \
             --gemm_plugin float16 \
             --output_dir $CHATGLM_PATH/chatglm3-6b/trt_engines/int8_weight_only/1-gpu/

运行引擎进行推理，未量化vs量化

python3 /root/TensorRT-LLM/examples/run.py --input_text "世界上第二高的山峰是哪座？" \
                  --max_output_len 50 \
                  --tokenizer_dir $CHATGLM_PATH/chatglm3-6b  \
                  --engine_dir $CHATGLM_PATH/chatglm3-6b/trt_engines/fp16/1-gpu/

python3 /root/TensorRT-LLM/examples/run.py --input_text "世界上第二高的山峰是哪座？" \
                  --max_output_len 50 \
                  --tokenizer_dir $CHATGLM_PATH/chatglm3-6b  \
                  --engine_dir $CHATGLM_PATH/chatglm3-6b/trt_engines/int8_weight_only/1-gpu/