设置
  • 日夜间
    随系统
    浅色
    深色
  • 主题色

单卡跑Llama 70B快过双卡,微软硬生生把FP6搞到了A100里 | 开源

2024-04-30 08:38:11 来源: 量子位

吞吐量比FP16提升2.65倍5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

克雷西 发自 凹非寺5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM
量子位 | 公众号 QbitAI

FP8和更低的浮点数量化精度,不再是H100的“专利”了!5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

老黄想让大家用INT8/INT4,微软DeepSpeed团队在没有英伟达官方支持的条件下,硬生生在A100上跑起FP65vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

图片5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

测试结果表明,新方法TC-FPx在A100上的FP6量化,速度接近甚至偶尔超过INT4,而且拥有比后者更高的精度5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

在此基础之上,还有端到端的大模型支持,目前已经开源并集成到了DeepSpeed等深度学习推理框架中。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

这一成果对大模型的加速效果也是立竿见影——在这种框架下用单卡跑Llama,吞吐量比双卡还要高2.65倍。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

一名机器学习研究人员看了后表示,微软的这项研究简直可以用crazy来形容。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

图片5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

表情包也第一时间上线,be like:5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

英伟达:只有H100支持FP8。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

微软:Fine,我自己搞定。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

图片5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

那么,这个框架到底能实现什么样的效果,背后又采用了什么样的技术呢?5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

用FP6跑Llama,单卡比双卡还快

在A100上使用FP6精度,带来的是内核级的性能提升5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

研究人员选取了不同大小的Llama模型和OPT模型之中的线性层,在NVIDIA A100-40GB GPU平台上,使用CUDA 11.8进行了测试。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

结果相比于英伟达官方的cuBLAS(W16A16)和TensorRT-LLM(W8A16),TC-FPx(W6A16)速度提升的最大值分别是2.6倍和1.9倍。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

相比于4bit的BitsandBytes(W4A16)方法,TC-FPx的最大速度提升则是达到了8.9倍。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

(W和A分别代表权重量化位宽和激活量化位宽)5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

图片5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

归一化数据,以cuBLAS结果为1

同时,TC-FPx内核还减少了对DRAM内存的访问,并提高了DRAM带宽利用率和Tensor Cores利用率,以及ALU和FMA单元的利用率。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

图片5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

在TC-FPx基础之上设计的端到端推理框架FP6-LLM,也给大模型带来了显著的性能提高。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

以Llama-70B为例,用FP6-LLM在单卡上的运行吞吐量,比FP16在双卡上还要高出2.65倍,在16以下的批大小中的延迟也低于FP16。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

图片5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

而对于参数量小一些的模型OPT-30B(FP16也使用单卡),FP6-LLM同样带来了明显的吞吐量提升和延迟降低。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

而且单卡FP16在这种条件下最多支持的批大小只有4,FP6-LLM却可以在批大小为16的情况下正常运行。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

图片5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

那么,微软团队是怎样实现在A100上运行FP16量化的呢?5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

重新设计内核方案

为了实现对包括6bit在内精度的支持,TC-FPx团队设计了一个统一的内核方案,可以支持不同位宽的量化权重。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

相比于传统的双内核方法,TC-FPx通过将去量化和矩阵乘法融合在单个内核中,减少了内存访问次数,提高了性能。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

实现低精度量化的核心奥义则是通过去量化方式,将FP6精度的数据“伪装”成FP16,然后按照FP16的格式交给GPU进行运算。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

图片5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

同时团队还利用了位级预打包技术,解决GPU内存系统对非2的幂次位宽(如6-bit)不友好的问题。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

具体来说,位级预打包是在模型推理之前对权重数据进行重新组织,包括将6-bit量化的权重重新排列,以便它们能够以GPU内存系统友好的方式进行访问。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

此外,由于GPU内存系统通常以32位或64位的块进行数据访问,位级预打包技术将还会6-bit权重打包,使得它们能够以这些对齐的块的形式存储和访问。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

图片5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

预打包完成后,研究团队使用SIMT核心的并行处理能力,对寄存器中的FP6权重执行并行去量化,生成FP16格式的权重。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

去量化后的FP16权重在寄存器中被重构,然后送入Tensor Core,使用重构后的FP16权重执行矩阵乘法运算,完成线性层的计算。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

在此过程中,团队利用了SMIT核心的位级并行性,提高了整个去量化过程的效率。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

图片5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

而为了权重重构任务能够并行运行,团队还使用了一种并行权重拼接技术。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

具体来说,每个权重被分割成几个部分,每个部分的位宽是2的幂次(如把6分割成2+4或4+2)。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

在去量化之前,权重首先从共享内存加载到寄存器中。由于每个权重被分割成多个部分,需要在运行时在寄存器级别重构完整的权重。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

为了减少运行时的开销,TC-FPx提出了一种并行提取和拼接权重的方法。这种方法使用两组寄存器来存储32个FP6权重的片段,并行地重构这些权重。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

同时,为了并行提取和拼接权重,需要确保初始数据布局满足特定的顺序要求,因此TC-FPx通过在运行前对权重片段进行重排。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

图片5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

此外,TC-FPx还设计了一个软件流水线,将去量化步骤与Tensor Core的矩阵乘法操作融合在一起,通过指令级并行性提高了整体的执行效率。5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

图片5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

论文地址:5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM
https://arxiv.org/abs/2401.141125vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM
参考链接:5vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM
https://twitter.com/rohanpaul_ai/status/17845992573847270445vP流量资讯——探索最新科技、每天知道多一点LLSUM.COM

本文链接:单卡跑Llama 70B快过双卡,微软硬生生把FP6搞到了A100里 | 开源http://www.llsum.com/show-2-5562-0.html

声明:本网站为非营利性网站,本网页内容由互联网博主自发贡献,不代表本站观点,本站不承担任何法律责任。天上不会到馅饼,请大家谨防诈骗!若有侵权等问题请及时与本网联系,我们将在第一时间删除处理。

上一篇: 字节跳动反腐持续加压 大厂高举反舞弊大旗

下一篇: “人工智能+”浪潮下,财务领域如何突围?

热门资讯

  • 明天氢能荣获国家电网科技进步奖一等奖

    记者3月18日从安徽明天氢能科技股份有限公司(以下简称明天氢能)获悉,国家电网近日向明天氢能及董事长王朝云分别授予科学技术进步奖一等奖,获奖项目为

  • 活性氧响应性材料 向肠炎部位精准投药

    3月17日,记者从陆军军医大学西南医院获悉,该院消化内科教授陈磊团队联合陆军军医大学教授张定林首次提出,活性氧响应性纳米材料能够把程序性死亡配体-

  • 淋巴结冻干“锁鲜”技术或可用于肿瘤治疗

    人体免疫系统中的小过滤器淋巴结有了新妙用。近日,浙江大学药学院、金华研究院教授顾臻团队联合多位科研人员,在国际上首次提出利用冷冻干燥的淋巴结

  • 专家:警惕常见睡眠认知误区

    3月21日是世界睡眠日,中国主题为“健康睡眠 人人共享”。近日发布的《2023年中国居民睡眠白皮书》显示,我国居民平均睡眠时长6.75小时,平均在零点后入

  • “认知选择”或影响人类语言演化

    人类的语言自产生以来,就不断演化发展。发音、词汇、语法的演变过程,是语言学家较为关注的领域。语言演化的根本动力是什么,演化又呈现出怎样的规律?我

  • AI芯片巨头低调赚钱

      AI芯片巨头低调赚钱  骆轶琪  在过去一年半导体行业下行周期中,除了英伟达以GPU霸主身份实现业绩快速成长之外,另一些主营虽非GPU,但是立足于AI定制芯片市场的半导体巨

  • AI、死亡与机器人:“数字生命”背后的生意与争议

    21世纪经济报道记者 冯恋阁 王俊 广州、北京报道2013年播出的科幻电视剧《黑镜》第二季中有这样一个故事——女主角玛莎在男友艾什被车祸

  • Kimi累趴下了,券商仍看好

    21世纪经济报道记者雷晨 北京报道近日,国内AI领域的明星产品——Kimi智能助手,因流量激增遭遇了短暂的服务中断。月之暗面随后发布公告,对此

  • 我国成功发射云海二号02组卫星

      我国成功发射云海二号02组卫星  中新网北京3月21日电(马帅莎 曹译 张艳)北京时间2024年3月21日13时27分,我国在酒泉卫星发射中心使用长征二号丁运载火箭/远征三号上面

  • 男孩捡17岁女生iPhone电话归还反被讹200元引热议:最终获道歉

    3月24日消息,今日一则#男孩捡17岁女生电话归还反被讹200#的话题登上微博热搜,引发网民热议。据报道,3月23日,山西长治。郭女士父亲捡到一台iPhone电话,归还

  • 苹果 16首发预装!iOS 18将支持桌面自定义、引入大模型

    3月25日消息,按照惯例,iPhone会在6月份的WWDC上发布iOS 18、watchOS 11、visionOS 2等全新系统。其中iOS 18比较受关注,被许多爆料者称为iOS史上最大升级

  • 中国科学技术大学发现第六大植物激素的首个运输蛋白

    在日常生活中,隧道可以帮助人们翻山越岭。在植物细胞内,当内部物质穿过细胞膜时,往往也会通过类似的“隧道”。记者从中国科学技术大学获悉,该校孙林峰

推荐资讯

  • 日榜
  • 周榜
  • 月榜