推理1760亿参数的BLOOMZ，性能时延仅3.7秒 | 最“in”大模型

　　

编者按：本文作者是 Hugging Face 的机器学习工程师 Régis Pierrard，并于 2023 年 3 月 28 日发布于Hugging Face Blog[1]。感谢 Régis Pierrard 授权我们翻译和转发本文。本文介绍了如何在 Habana® Gaudi®2[2]上轻松部署参数量多达数十亿的语言模型，披露了 Hugging Face 针对 BLOOMZ 在 Gaudi®2 上的性能评估结果。

随着大语言模型 (Large Language Model, LLM) 的规模越来越大，在生产环境部署和使用这些模型来进行推理也变得越来越具挑战性。为应对这些挑战，无论硬件还是软件，都经历了多次创新。

(资料图)

下面，我们将一同探索如何有效克服这些挑战。

BLOOMZ 简介

BLOOM[3]是一个拥有 1760 亿参数的自回归模型，训练后可用于生成文本序列。它可以处理 46 种语言和 13 种编程语言。

作为 BigScience[4]计划中的一个开放科学项目，BLOOM 的设计和训练吸引了世界各地众多研究人员和工程师的共同参与。

BLOOMZ[5]是最近发布的、与 BLOOM 架构完全相同的模型，它是 BLOOM 基于多个任务的调优版本，具有更出色的泛化和零样本[6]能力。

无论是训练[7]还是推理[8]场景，这类大模型都对内存和速度提出了新挑战。

即便使用 16 位精度，一个实例所需的内存仍高达 352 GB！目前具有如此大内存的设备可能很难找到，但像 Habana® Gaudi®2 这样的先进硬件却足以让 BLOOM 和 BLOOMZ 模型以更低的时延执行推理。

Habana® Gaudi®2

Gaudi®2 是 Habana Labs 设计的第二代 AI 硬件加速器。单个服务器包含 8 张加速卡（称为 Habana 处理单元，即 Habana Processing Unit，简称为 HPU），每张卡内存高达 96 GB，可提供足够的空间来容纳大模型。

然而，如果计算速度很慢，那么为大模型提供大内存的意义也不大。所幸，Gaudi®2 的计算速度也非常出色。

Gaudi®2 与 GPU 的主要区别在于它的架构能让加速器并行执行通用矩阵乘法 (GeMM) 和其他运算，从而加快深度学习工作流。这些特性使 Gaudi®2 成为 LLM 训练和推理的理想选择。

Habana 的 SDK SynapseAITM支持使用 PyTorch 和 DeepSpeed 来加速 LLM 训练和推理。SynapseAI 图形编译器[9]可优化图形中所累积的操作的执行（如算子融合、数据布局管理、并行化、流水线、内存管理、图优化等）。

此外，SynapseAI 最近引入了对 HPU Graph[10]和DeepSpeed-inference[11]的支持，这两者都非常适合时延敏感型应用（参见下文基准测试）。

以上所有功能均已集成至 Optimum Habana[12]库，因此在 Gaudi® 上部署模型非常简单。

访问此链接https://huggingface.co/docs/optimum/habana/quickstart，查看快速入门页面。

如欲试用 Gaudi®2，请登录英特尔® Developer Cloud[13]并按照本指南[14]操作。

基准测试

本节将提供 BLOOMZ 在 Gaudi®2 和第一代 Gaudi® 上的基准测试结果。

虽然 Gaudi®2 和第一代 Gaudi® 的内存都不小，但由于模型过大，单个设备仍无法容纳单个 BLOOMZ 实例。

为解决这一问题，本文使用了深度学习优化库 DeepSpeed[15]来实现多种内存和速度优化，进而加速模型推理并使模型与设备适配。

本文方案需依赖 DeepSpeed-inference[16]：它引入了诸如模型（或流水线）并行[17]等多个功能特性，可充分利用可用设备。

对于 Gaudi®2，则使用了已添加 HPU 支持的 Habana 的 DeepSpeed[18]分支。

时延

本文基于两种不同规模但参数均达数十亿的 BLOOMZ 模型（批大小为 1 个样本）进行了实验测试，两种模型的参数大小分别为：

1760 亿[19]参数 (BLOOMZ-176B)70 亿[20]参数 (BLOOMZ-7B)

本文使用 DeepSpeed-inference 以 16 位精度在 8 个设备上运行推理，并且使用 key-value 缓存。值得注意的是，尽管 CUDA Graph 目前与 DeepSpeed 中的模型并行不兼容（DeepSpeed v0.8.2，参见文末[21]），但 Habana 的 DeepSpeed 分支是支持 HPU Graph 的。

所有基准测试都使用贪心搜索 (Greedy Search)[22]生成 100 个词元。输入提示为：

DeepSpeed is a machine learning framework

BLOOM 分词器会将该提示分为 7 个词元。

推理时延测试结果如下图所示（单位为秒）：

△图 1. BLOOMZ 在 Gaudi®2 和第一代 Gaudi® 上的推理时延测试结果

Habana 团队最近在 SynapseAI 1.8 中引入了 DeepSpeed-inference 支持，可快速赋能 1000 多亿参数模型的推理。

根据图 1 测试结果可知：对于参数量达 1760 亿的模型 BLOOMZ，Gaudi®2 性能表现出色，时延仅为约 3.7 秒 ；对于参数量为 70 亿的较小模型 BLOOMZ-7B，Gaudi®2 的时延优势更加显著，单设备约为第一代 Gaudi® 的37.21%，而当设备数量都增加为 8 后，这一百分比进一步下降至约 24.33%。

Habana 团队会在后续发布的新 SynapseAI 版本中继续优化这些模型的性能。例如，在 SynapseAI 1.9 的预览版中，BLOOMZ-176B 的时延从 3.7 秒进一步降低到 3.5 秒。

在完整数据集上运行推理

我们编写的脚本支持模型在完整的数据集上完成所有句子的推理。这尤其适用于想在自有数据集上尝试使用 Gaudi®2 进行 BLOOMZ 推理的情况。

这里我们以 tldr_news 数据集为例。该数据集包含多篇文章的标题和内容（均可在 Hugging Face Hub 中对其进行可视化处理）。前几个样本如下所示：

关键词：