H20 GPU算力评估分析

H20算力秘密: GPU算力评估

   

一、从H20谈起

NVIDIA国内热销H20显卡，TFLOPS达标，却声称能媲美A800/A100，究竟凭何底气？揭秘其背后的性能奥秘。

看下表：

H20的FP16 TFLOPS为148，虽不及A800的312，但其在FP8 TFLOPS上表现优异，高达296，远超A800，因为A800并未设计FP8功能。

H20显存高达96G，远超A800的80G，其NVL速率更是A800的两倍多，显存带宽也近乎翻倍，性能卓越。

根据上一篇文章中的方法：

GPU算力评估-上

H20展现卓越性能，FP16峰值计算能力高达148Tflops，NVLink双向带宽达900GB/s。在H20配置中，最多可支持148个张量并行GPU，确保通信畅通无阻，满足高性能计算需求。

A800的FP16峰值计算能力高达312Tflops，NVLink双向带宽达400GB/s。在H20配置中，张量并行GPU数量可达31个，确保通信无阻，性能卓越。

但我们知道，一个H20服务器最多是8个卡。也就是说，相对于算力来说，NVL通讯量剩余。那么，训练中什么数值会影响NVL通讯量呢？影响大小分别为：MicroBS, gradient accumulate >TP>Global BS。也就是说，我们在训练的时候。如果NVL不是限制，可以增加MicroBS，MicroBS越大，训练步数越少，相对训练速度越快。但有个前提是不能出现内存溢出。而H20的显存比A800多20%。

也就是说，在相同的训练环境下，当GPU算力没有到上限前，增加BS，A800会先比H20出现OOM。但前面也提到了A800的FP16算力是H20的两倍多。但如果H20用FP8和A800的FP16比呢？是不是两者GPU算力就接近了，而H20的内存速率和NVL更高，BS就能更大些。

FP8在推理中的应用/FP8 in Inference

二、训练和推理对AI算力的要求

训练过程

训练过程需存储模型参数、梯度、优化器状态及每层中间状态，大幅增加内存需求。训练涉及正向与反向传播两阶段，确保模型学习效果的同时，对计算资源提出更高要求。

1. 正向传播（Forward Pass）：
2. 反向传播（Backward Pass）：
   • 反向传播是训练核心，计算损失函数对参数的梯度并更新，涉及复杂矩阵运算与微分，是计算密集型任务，对计算性能要求极高。
   • 存储需求：需要存储梯度和优化器状态，这些存储需求通常比模型参数本身更大。
3. 通信需求：
   • 梯度同步优化：数据并行时，各GPU独立计算梯度，再同步。这一流程虽高效但通信需求大，确保数据传输流畅成为关键。
   • 模型并行显著提升了训练过程的算力需求，因正向与反向传播均需在GPU间传输数据与梯度，导致通信量激增。其中，梯度计算和参数更新作为计算密集型任务，成为训练的核心依赖。尽管通信带宽对梯度同步至关重要，但算力仍是训练过程中的关键因素。

推理过程

1. 正向传播（Forward Pass）：
   • 推理主要依赖正向传播，计算量大但相对训练中的反向传播，算力需求较低，实现高效推理的关键在于优化正向传播计算。
   • 推理过程简化存储需求：无需保留梯度和优化器状态，仅存储正向传播的激活值。因输入数据独立，各层中间状态无需持久化，极大降低存储压力，高效满足推理需求。
2. 通信需求：
3. KV Cache：
   • 通过KV Cache缓存token的K和V矩阵，能大幅提升推理效率，无需重复计算。此策略虽增加存储需求，但显著减少计算量，实现内存与计算的高效交换，是优化推理性能的关键策略。
   • KV Cache显著减少计算量，每字节存储大幅减轻计算负担。推理过程更侧重通信带宽，模型并行时GPU间数据交互频繁。尽管计算需求不高，但存储容量不可或缺，用于缓存中间结果与KV Cache，确保高效推理。

总结

• 训练过程高度依赖算力，因梯度计算和参数更新均为计算密集型任务。尽管通信带宽对梯度同步不可或缺，但算力需求仍为核心要素。
• 推理过程高度依赖通信带宽，特别是在模型并行时，GPU间数据传递频繁。虽然计算需求不高，但存储容量不可或缺，用于缓存中间结果和KV Cache，确保推理的高效进行。

在训练中，H20采用FP8而A800使用FP16，H20训练性能至少与A800相当。而在推理环节（H20支持8位推理），H20凭借更大的显存、更高的内存及NVL带宽，展现出更优越的性价比，超越A800。

三、KV cache都和什么有关

如前文所述，推理中会用到KV cache，那么KV cache都和什么有关？

 KV Cache 是一种用于优化生成模型推理过程的技术。对于每个输入的 prompt，在计算第一个 token 的输出时，每个 token 的 attention 都需要从头计算。然而，在后续 token 的生成过程中，需要计算 self-attention，即输入 prompt 和前面生成的 token 的 attention。在这种情况下，需要用到前面每一个 token 的 Key（K）和 Value（V）矩阵。

由于每一层的参数矩阵是固定的，因此在生成新的 token 时，只有刚生成的那个 token 的 K 和 V 需要重新计算，而输入 prompt 和之前生成的 token 的 K 和 V 矩阵实际上是与上一轮相同的。因此，我们可以将每一层的 K 和 V 矩阵缓存起来，在生成下一个 token 时不再需要重新计算，这就是所谓的 KV Cache。需要注意的是，Query（Q）矩阵每次都不同，因此没有缓存的价值。

在训练过程中，选择性保存正向传播的中间状态（activations）是一种用计算换内存的策略，而 KV Cache 则是一种用内存换计算的策略。

KV Cache 的存储需求

 
KV Cache 的存储需求取决于以下几个因素：

1. 层数（L）：模型的层数。
2. token 数量（T）：需要缓存的 token 数量。
3. 批量大小（B）：批量大小，即一次处理的样本数量。
4. 嵌入维度（D）：模型的嵌入维度。
5. 数据类型大小（S）决定了数值的存储效率，如float16占2字节，float32占4字节，精确选择以优化存储和性能。
6. 模型的最大序列长度决定了每层KV Cache的存储容量。在LLaMA 2 70B模型中，若批量大小为8，token数达极限4096，80层的KV Cache总容量将基于嵌入维度、token数和批量大小计算得出。这一精细设计确保了模型在处理大规模数据时的高效性和准确性。

KV Cache空间计算为2(K,V) × 80 × 8192 × 4096 × 8 × 2B，总计达80GB。若增大batch size，KV Cache占用空间将超过参数本身的140GB，需留意资源分配。

KV Cache 的计算节约

计算K、V矩阵在每层涉及大量操作，总计为4倍(K, V)矩阵乘法与加法运算，乘以嵌入维度平方，即4 * 8192²。考虑输入的token数、层数和batch size，总计算量高达640 Tflops。这意味着每存储1字节，我们实际上节省了高达16K次计算，显著提升了效率与性能。

内存带宽的影响

计算 K 和 V 矩阵的过程是一个典型的内存密集型过程，需要加载每一层的 K 和 V 参数矩阵。如果不做任何缓存，假设 prompt 长度很短而输出长度接近 token 的最大长度 4096，到了最后一个 token 时，单是重复计算前面每个 token 的 K 和 V 矩阵，就需要读取内存：

4096 * 80 * 2 * 8192 * 8192 = 40T 次，每次 2 个字节，要知道 H100 的内存带宽只有 3.35 TB/s，4090 更是只有 1 TB/s，这单是最后一个 token 就得耗掉一张卡几十秒的时间来做重复计算。这样，token 的输出就会越来越慢，整个输出时间是输出长度平方级别的，根本没法用。通过使用 KV Cache，可以显著减少重复计算，提高推理效率。

关于序列长度对KV cache的影响，可以参照我此前文章。

Phi3+vLLM的验证：SLM系列3

TensorRT-LLM融合PagedAttention与FlashAttention，高效处理大模型，显著提升性能与效率。

四、长文本推理带来的挑战

长文本推理带来的挑战：

• 更大的 KV 缓存带来更大的内存访问需求
• 无法为生成阶段构建大型批处理。
• 生成请求延迟会受到上下文阶段的干扰更长的系统提示，大量冗余计算。

所以长文本推理优化主要需要解决KV cache带来的问题。

优化方法1：Streaming-LLM

1. 滑动窗口注意力：只缓存最近的键值状态。当初始标记被驱逐时，模型会崩溃。
2. 流式LLM创新地在滑动窗口注意力中引入“汇”标记，通过位置移动而非文本变动实现高效处理。图示直观对比了不同层、头注意力矩阵及密集、窗口注意力，并突出流式LLM在处理长输入时的卓越性能，通过图表清晰展现其优势。

优化方法2：Multi-Block-Mode

1. 分割键/值：将键和值分割成更小的块。
2. 并行计算：并行计算查询与每个分割块的注意力。
   
3. 通过并行计算，将键和值分割为多个块，分别处理查询与每块的注意力。随后，运用对数和指数精细调整各块贡献，归约整合所有分割块，精准计算最终输出。

优化方法3：Inflight Batching

旨在优化大型语言模型的键值缓存（KV-Cache）。主要内容包括：

1. 批处理后，优化计算效率的关键在于移除输入填充。此举显著提升键值缓存的利用率，进而强化大型语言模型的性能表现。

优化方法4：Chunked Context

1. 传统IFB调度器：
   • 单个标记需要与非常大的上下文输入一起批处理，导致生成延迟较大。
   • 激活内存成本高。
   • 用户体验受损。
     
2. 启用分块上下文：
   • 注意力计算因KV缓存的重复内存访问而复杂化。启用分块上下文后，通过批处理多个上下文块，显著提升性能，同时降低延迟。
   • 上下文分块增加了批处理上下文和生成阶段的可能性，从而提高了性能。
   • 对于第一个标记存在多重固有问题，带来了额外的开销。

优化方法5：KV-Cache-Reuse

1. 全新输入序列现已划分为多个高效处理块，包括block1、block2、block3、block4及block5，提升数据处理效率。
2. 推理引擎：推理引擎使用KV缓存来加速推理过程。
   
3. 优化KV缓存机制：当键未匹配时，新KV缓存即被插入缓冲池并设索引，显著提升推理效率，实现资源高效重用。

优化方法6：使用FP8量化模型

1. GPT-175B模型的性能分析：
   • 对比了不同硬件配置下的上下文阶段和生成阶段的时间消耗。
   • 重点关注了FP8和BFP16在不同批量大小下的性能差异。
     
2. FP8 GEMM的优势：
   • FP8 FMHA在性能上比FP16（BFP16）FMHA快2倍。
     
3. 性能数据：
   • 表格中列出了不同批量大小下，FP8和BFP16的FMHA性能对比。
   • FP8在多种批量规模下性能超越BFP16，尤其在GEMM和FMHA上表现卓越，显著领先于大型模型的推理与训练，性能优势显著。

-对此，您有什么看法见解？-

-欢迎在评论区留言探讨和分享。-