通用大模型应用研究五：model services

• Trtion
  https://github.com/openai/triton
  https://www.nvidia.cn/gpu-cloud/ngc-nvidia-triton/
  https://github.com/openai/openai-cookbook
  https://github.com/openai/openai-python

Triton 是一个由 NVIDIA 开发的开源推理服务平台，旨在简化和优化生产环境中的 AI 模型部署。Triton 支持多种深度学习框架，并提供了一个优化的推理接口，可以提高模型的执行效率和扩展性。以下是 Triton 框架的代码结构和功能的概述：

代码结构
Triton 的代码结构大致如下：

core - 包含 Triton 的核心逻辑，如推理请求和响应的处理。
agent - 负责与客户端通信，接收推理请求并将其转发到核心系统。
backend - 包含 Triton 支持的各种深度学习框架的后端接口，如 TensorFlow, PyTorch 等。
config - 包含 Triton 配置相关的代码，用于定义模型配置和系统配置。
common - 包含 Triton 通用的代码，如日志记录、状态码等。
docs - Triton 的官方文档。
examples - 提供了一些 Triton 使用的示例。
grpc - 包含 Triton gRPC 服务的代码，用于支持远程推理。
http - 包含 Triton HTTP 服务的代码，用于提供 RESTful API。
health - 包含健康检查相关的代码，用于监测 Triton 服务的状态。
功能介绍
模型管理 - Triton 允许用户上传和管理 AI 模型，提供了模型版本控制和A/B测试功能。

多种框架支持 - Triton 支持多种深度学习框架，如 TensorFlow, PyTorch, ONNX 等。

优化的推理 - Triton 对模型进行了优化，以减少延迟并提高吞吐量。

扩展性 - Triton 可以水平扩展以处理大量的推理请求。

API 接口 - Triton 提供了 gRPC 和 HTTP 两种 API 接口，方便客户端进行远程推理。

安全性 - Triton 支持 SSL/TLS，可以加密客户端和 Triton 之间的通信。

灵活的部署 - Triton 支持在多种环境中部署，包括本地服务器、云环境和Kubernetes。

监控和日志 - Triton 提供了监控和日志记录功能，帮助用户跟踪推理请求的状态和性能。

模型分析 - Triton 可以分析模型的性能，如推理时间和利用率。

健康检查 - Triton 提供了健康检查和就绪检查，确保服务的可用性。

• TensorRT-LLM
  
  
  
  
  
  
  
  
  
  
  

• VLLM
  https://vllm.ai
  https://docs.vllm.ai/en/latest/
  
  VLLM的优点：
  高吞吐量：vLLM提供了最先进的服务吞吐量，适合高负载的推理需求。
  内存管理：通过使用PagedAttention技术，高效管理注意力机制中的键（key）和值（value）内存。
  连续批处理：对传入的请求进行连续批处理，提高处理效率。
  快速模型执行：利用CUDA/HIP图快速执行模型，加速推理过程。
  量化技术：支持GPTQ、AWQ、SqueezeLLM、FP8 KV Cache等量化技术，减少模型大小，加快推理速度。
  优化的CUDA内核：使用优化的CUDA内核进一步提升性能。
  vLLM的功能模块：
  与HuggingFace模型集成：无缝集成流行的HuggingFace模型，方便用户使用。
  多种解码算法：支持包括并行采样、束搜索（beam search）在内的多种高吞吐量服务解码算法。
  张量并行性：支持张量并行性，适用于分布式推理。
  流式输出：支持流式输出，可以处理长序列生成任务。
  OpenAI兼容API服务器：提供与OpenAI兼容的API服务器，方便开发者集成和使用。
  支持NVIDIA和AMD GPU：支持主流的NVIDIA和AMD GPU，提供广泛的硬件支持。
  实验性功能：
  前缀缓存支持：提供实验性的前缀缓存支持，可能提高特定任务的性能。
  多LoRA支持：实验性支持多LoRA适配器，增强模型的灵活性。
  文档和资源：
  宣布博客文章：介绍了PagedAttention的入门知识。
  vLLM论文：在SOSP 2023上发表的论文。
  连续批处理：Cade Daniel等人的研究，展示了连续批处理如何在减少延迟的同时提高LLM推理的吞吐量。

• FlashInfer
  https://github.com/tqchen/flashinfer
  FlashInfer是一个语言语言模型库，提供了诸如FlashAttention、PageAttention和LoRA等LLM GPU内核的高性能实现。FlashInfer专注于LLM服务和推理，并在各种场景中提供最先进的性能。FlashInfer的独特功能包括：
  全面的注意力内核：注意力内核涵盖了LLM服务的所有常见用例，包括不同格式的KV Cache（Padded Tensor、Ragged Tensor和Page Table）上的Prefill、Decode和Append内核的单请求和批处理版本。
  优化的共享前缀批量解码：FlashInfer通过级联增强了共享前缀批量译码性能，与基线vLLM PageAttention实现相比，速度提高了31倍（用于32768个令牌的长提示和256个大批量）。加速对压缩/量化KV缓存的关注：现代LLM通常与量化/压缩KV缓存一起部署，以减少内存流量。FlashInfer通过优化分组查询注意力、融合RoPE注意力和量化注意力的性能来加速这些场景。FlashInfer支持PyTorch、TVM和C++（仅限标头）API，可以轻松集成到现有项目中。

• DeepSpeed-MII
  1.1 目前主流的大模型分布式训练主要包括两种：
  数据并行训练
  模型并行训练
  2.1DeepSpeed是由Microsoft提供的分布式训练工具，旨在支持更大规模的模型和提供更多的优化策略和工具。对于更大模型的训练来说，DeepSpeed提供了更多策略，例如：Zero、Offload等。
  .1 基础组件
  分布式训练需要掌握分布式环境中的基础配置，包括节点变化、全局进程编号、局部进程编号、全局总进程数、主节点等。这些组件都跟分布式训练紧密相关，同时组件之间也有非常大的联系，例如通信联系等。
  2.2 通信策略
  既然是分布式训练，那机器之间必须要保持通信，这样才可以传输模型参数，梯度参数等信息。DeepSpeed提供了mpi、gioo、nccl等通信策略.
  2.3 存储效率：DeepSpeed提供了一种Zero的新型解决方案来减少训练显存的占用，它与传统的数据并行不同，它将模型状态和梯度进行分区来节省大量的显存；可扩展性：DeepSpeed支持高效的数据并行、模型并行、pipeline并行以及它们的组合，这里也称3D并行；易用性： 在训练阶段，只需要修改几行代码就可以使pytorch模型使用DeepSpeed和Zero。