《LightSeq: A High Performance Inference Library for Sequence Processing and Generation》阅读笔记

LightSeq库通过定制Operation、动态GPU内存复用和层级解码优化,提升深度学习推理效率。其将layer normalization等操作优化为一次性kernel launch,减少GPU内存操作。预分配最大动态shape并复用内存,支持多个大型Transformer模型同时部署。此外,LightSeq采用层级解码策略,结合GPU计算特性,加速beam search等方法,显著提高序列生成速度。
摘要由CSDN通过智能技术生成

LightSeq的技术亮点主要在于定制的Operation动态GPU内存复用和层级的解码优化,本文对这三方面分别做个粗浅的介绍。

论文链接:https://arxiv.org/pdf/2010.13887.pdf

1 定制的Operation 

大多数深度学习框架通过调用方法库中的kernel function来实现编码器-解码器计算。这些kernel function一般是细粒度的,通常需要调用多个kernel function来实现一个功能模块。

以tensorflow实现的layer normalization为例,即使基于compilation optimization techniques (automatically merging broadcast and element-wise operations),仍需要三个kf和两个中间结果(mean and variance)的读写operation。

基于CUDA,我们可以为layer normalization写一个定制的kf,并且将两个中间结果写入到寄存器中,从而只需一次kernel launch且不需要将中间结果写入到gpu内存中,大幅减少了计算耗时。

基于这个idea,LightSeq结合cuBLAS的GEMM和定制kf来实现Transformer layers:

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值