Acceleration & Quantization

vLLM

vLLM是一个开源的大型语言模型（LLM）推理和服务库，它通过一个名为PagedAttention的新型注意力算法来解决传统LLM在生产环境中部署时所遇到的高内存消耗和计算成本的挑战。PagedAttention算法能有效管理注意力机制中的键和值，将它们分割成更小、更易于管理的块，从而减少了vLLM的内存占用，并使其吞吐量超过传统LLM服务方法。

下图展示了三种不同配置下的语言模型（分别为LLaMA-13B、LLaMA-7B配备A100-40GB GPU和LLaMA-7B配备A10G GPU）在处理文本生成推理（TGI）任务时的服务吞吐量（每分钟处理的请求量）。我们可以看到，vLLM在所有配置中都提供了最高的吞吐量，这表明其在处理大规模模型推理任务时的高效性。

在LLaMA-13B, A100-40GB配置中，vLLM的吞吐量为154.2 req/min，而传统的HuggingFace（HF）模型和TGI分别只有6.4和61.8 req/min。同样，在LLaMA-7B, A100-40GB和LLaMA-7B, A10G配置中，vLLM都显著超过了HF和TGI。

这些数据强调了vLLM在提高服务吞吐量方面的能力，特别是当每个请求需要一个输出完成时，vLLM的吞吐量是HF的24倍，并且是TGI的2.2x到2.5x。当每个请求需要三个输出完成时，vLLM的性能更加突出，其吞吐量是HF的8.5x到15x，并且是TGI的3.3x到3.5x。

可以认为，vLLM因其在服务吞吐量方面的卓越性能，特别适合于生产环境中部署大型语言模型，尤其是在需要高效率处理大量推理请求的场景。

Cache

Cache是目前生成式的Transformer常用的一种加速手段。

下图解释了在有缓存的情况下计算（Q * K^T）* V，即查询（Q）、键的转置（K^T）和值（V）的乘积的过程。这是一个注意力机制计算的典型步骤，常见于自然语言处理中的Transformer架构。

• 步骤1：查询（Q）与键的转置（K^T）相乘，然后再与值（V）相乘得到结果。在这个过程中，键（K）和值（V）被缓存到缓存内存中，以便将来使用。

• 步骤N：在一个后续步骤中，从缓存中恢复键（K）和值（V），并只计算当前步骤中所需的部分。这样可以提高计算效率，因为可以重复使用之前步骤中已计算和缓存的部分。

蓝色部分表示在当前步骤中将要计算的值，而紫色部分表示将从缓存中取出的值。这种方法通过减少重复计算和利用缓存中的数据，提高了计算效率。

这两张图比较了在自然语言处理模型中，特别是在Transformer架构的注意力机制中，有和没有KV-Cache（键值缓存）时的处理过程。

Without KV-Cache：

• 每一个输入Token（例如，“我是一个好”的每个词）都会通过Q、K、V矩阵得到相应的查询（Q）、键（K）和值（V）。
• 然后进行Attention计算，此过程包括Q和K的点积，然后用这个结果来加权V，得到最后的输出。
• 由于没有KV-Cache，每次处理新Token时都需要重新计算整个序列。

With KV-Cache：

• 在处理序列的第一个Token时，也是通过Q、K、V矩阵得到查询、键和值。
• 计算Attention后，K和V会被存储在缓存中。
• 当处理下一个Token时（例如，“好”字），模型会使用缓存中的K和V值，而不是重新计算它们。
• 这样可以提高效率，因为模型不必每次都处理整个序列，而是可以重复使用已经计算过的值。

在这个例子中，“我是一个好人”中的每个字会被依次处理，而使用KV-Cache可以减少重复计算，从而提高模型的效率。

为什么Cache只存储K、V，而不存储Q？

在Transformer架构的注意力机制中，Q（Query）代表当前输入Token的查询信息，它需要与所有先前和当前的K（Key）进行匹配来决定注意力的分配。因为Q是专门针对当前正在处理的Token的，所以它每次都是独一无二的，即便在没有Cache的情况下，对于序列中的每个新Token，Q都会改变。

相反，K（Key）和V（Value）通常与序列中已经处理过的Token相关，它们可以被缓存起来供后续的Token查询使用。存储K和V使得模型可以重用之前Token的信息，而不必重新计算它们，这样可以大大节省计算资源。如果存储Q值，对于每个新的Token，我们仍然需要重新计算整个Q与所有K的匹配度，这不会减少计算量。因此，只缓存KV值而不缓存Q值，是为了优化计算效率。

PageAttention

铺垫了这么多我们来介绍一下vLLm的PageAttention方法。

PageAttention机制是一种优化的注意力机制，通过将键（Key）和值（Value）分块来处理，以减少计算资源的使用。

0. Before generation

上图表示的是文本生成过程开始前的状态，即逻辑KV缓存块和物理KV缓存块的初始状态

逻辑内存是按需分配的 (由PyTorch或者cuda?)，而物理内存是实际存储数据的硬件 (GPU) 。

在图中，我们有一个提示（Prompt）：“Alan Turing is a computer scientist”，接下来需要生成（Completion）的文本。逻辑KV缓存块还没有填充任何数据，这表示我们还没有开始文本生成过程。物理KV缓存块同样是空的，显示没有任何键（Key）或值（Value）被存储。

1. Allocate space and store the prompt’s KV cache

在这张图中，我们看到了提示（Prompt）“Alan Turing is a computer scientist” 的KV缓存已经被分配和存储。逻辑KV缓存块中的Block 0被填充了单词 “Alan”、“Turing”、“is”、“a”，而Block 1则被填充了 “computer” 和 “scientist”。

同时，物理KV缓存块表格显示Block 0实际上被映射到了物理块7，且有4个槽位被填充；Block 1映射到了物理块1，有2个槽位被填充。这表示系统已经为这些词分配了物理存储空间，并且准备好了用于生成过程中的查询。这是将提示转换为KV对并存储到缓存系统中的第一步，为接下来的文本生成做准备。

2. Generated 1st token

到了这步，文本生成进程已经开始，并且生成了第一个词“and”。在逻辑KV缓存块中，我们可以看到“and”已经被添加到Block 1中，这个块之前已经包含了“computer scientist”。

同时，物理KV缓存块的表格显示Block 1现在填充了3个槽位，这表明“and”已经被添加到了物理块1中。这反映了随着生成过程的进行，逻辑和物理缓存块是如何动态更新以包含新生成的Token的。这允许模型在后续的生成步骤中利用这些新的信息。

3. Generated 2nd token

接下来，第二个词“mathematician”已经被生成。逻辑KV缓存块的Block 1现在包含了“computer”、“scientist”、“and”以及新生成的“mathematician”。

4. Generated 3rd token. Allocate new block.

在这张图中，我们看到了文本生成过程的进一步发展。此时"renowned" 这个词已经生成并被添加到了逻辑KV缓存块的Block 2中。对应地，在物理KV缓存块中，一个新的块（Block 3）被分配来存储这个新词，这显示了缓存系统如何动态地根据需求分配空间。

5. Generated 4th token.

接下来生成的词 “for”，它也被添加到了逻辑KV缓存块的Block 2中。同样，物理KV缓存块的Block 3现在填充了两个槽位，包含了 “renowned” 和 “for”。

这一系列图像描绘了一个动态的、逐步构建的过程，其中每个新生成的Token都被添加到逻辑和物理KV缓存中，以支持连续的文本生成。随着生成的进行，物理缓存块持续更新，以确保快速访问到相关的键和值。

Prompt to Muitiple Outputs

0. Shared prompt: Map logical blocks to the same physical blocks.

在处理多个序列（例如 Seq A 和 Seq B）时vLLM会共享一个共同的提示（Prompt）。这种设置可能用于一个模型同时进行多个任务，或者在多任务学习环境中。逻辑KV缓存块展示了不同序列可以共享相同的提示“ The future of artificial intelligence is”，而这个提示被映射到相同的物理KV缓存块上。

这种共享方式表明，当多个序列处理相同的初始信息时，可以节省资源和时间，因为模型不需要为每个序列单独存储或计算相同的提示信息。这对于优化处理效率和加快推理速度是有益的。

1. Seq A generated 1st token.

此时我们假设 Seq A 生成了一个额外的词 “likely”，并且这个词被添加到了它的逻辑KV缓存块中。物理KV缓存块显示了对应的条目，并有一个引用计数“Ref count: 2”，这意味着有两个不同的逻辑块正在引用这个物理块。

2. Copy-on-Write: Copy to a new block.

这些图展示了“写时复制”（Copy-on-Write）策略在缓存管理中的应用。当Seq A和Seq B共享相同的物理KV缓存块，并且当Seq A更改其内容时（添加了“likely”），引用计数从2减少到1，表明这些物理块不再被Seq B共享。然后，Seq A的更改被复制到一个新的物理块中，以防止对Seq B的逻辑视图产生影响。这样，每个序列可以独立地维护和更新其状态，而不会干扰到其他序列。

这种机制在多任务处理和内存优化中非常有用。

3. Seq B generated 1st token. No copy needed.

接下来当 Seq B 生成时，不会进行 Copy。

4. Seq A and B generated 2nd token.

同理生成第2个token。

5. Seq A and B generated 3rd token.

分配新的 Logical-Physical 映射，生成第3个token。

6. Seq A and B generated 4th token.

继续生成。

Summary

总结一下，vLLM优化了内存使用上的一些浪费，同时也能够兼容huggingface上一些主流的模型。

vLLM推理部署

vLLM的调用

有两种方式可以调用vLLM来加载模型，一种是通过API Server，另一种是离线推理。

• API Server

!VLLM_USE_MODELSCOPE=True python -m vllm.entrypoints.api_server \
--model="./output/models/llama-"

curl http://localhost:8000/generate \
-d '{
"prompt": "San Francisco is a",
"use_beam_search": true,
"n": 4,
"temperature": 0
}'

from transformers import AutoModel

model = AutoModel.from_pretrained("../Llama-2-7B-Chat-fp16", load_in_8bit=True)

for name, params in model.named_parameters():
    print(name, params.dtype)

• Offline Batched Inference

from vllm import LLM, SamplingParams

import torch

# device = torch.device('cuda:2')
llm = LLM(model="../Llama-2-7B-Chat-fp16", gpu_memory_utilization=0.7)
# llm.to(device)

这里的gpu_memory_utilization参数就是vLLM提供的内存优化参数。

可以做个实验

这是我原来的内存，目前只有13M的占用

如果我们直接在24G的现存中加载半精度的Llama-2-7B，会报OM（Out of Memory）

from transformers import AutoModel

model = AutoModel.from_pretrained("../Llama-2-7B-Chat-fp16")
model = model.to("cuda:0")

事实上，要加载半精度的Llama-2-7B需要大约29152MiB的内存空间（对，很尴尬地卡住了24G内存）。

但是，使用vLLM的gpu_memory_utilization这个参数，我们可以对加载内容进行大小优化

from vllm import LLM, SamplingParams

llm = LLM(model="../Llama-2-7B-Chat-fp16", gpu_memory_utilization=0.7)

可以看到大约用了17G的内存。

当然，空间不可能无限优化下去，如果进一步测试可以发现gpu_memory_utilization=0.3是能够加载一个7B模型的极限（大约15G）。

下面来测试一下

prompts = [
    "Hello, my name is",
    "The president of the United States is",
    "The capital of France is",
    "The future of AI is",
    "One way to crack a password",
    "I know unsensored swear words such as"
]
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

outputs = llm.generate(prompts, sampling_params)

# Print the outputs.
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

还是很快的，1秒可以迭代15句。

vLLM with LoRA

vLLM其实一开始并不支持peft，因为显然它在对内存优化的时候改变了一些模型的结构（vllm-vllm-model_executor_models下可以看到它将主要模型的结构都自己重新写了一遍），但这就导致了我们无法对vLLM加载得模型进行LoRA微调。

不过好在Cassia大佬提交了一个repo，加上了vLLM对peft的支持（需要安装以下版本的vllm）

pip install git+https://github.com/troph-team/vllm.git@support_peft

我们用OPT为例看看Cassia大佬究竟做了些什么（lora）

from vllm import LLM, SamplingParams
from vllm.model_executor.adapters import lora

# Create an LLM.
llm = LLM(model="../opt-125m", gpu_memory_utilization=0.2)

prompts = [
    "Hello, my name is",
    "The capital of France is",
    "The future of AI is",
]

sampling_params = SamplingParams(temperature=0, top_k=-1)  # 不做任何sampling，每次只选择最大概率的token

outputs = llm.generate(prompts, sampling_params)

for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

llm.llm_engine.workers[0].model

在这里使用lora库的LoRAModel加载了一个adapter（看名字应该是基于imdb数据finetune的一个opt-adapter）

# Add LoRA adapter
lora.LoRAModel.from_pretrained(llm.llm_engine.workers[0].model, "../opt-125m-imdb-lora")

outputs = llm.generate(prompts, sampling_params)

for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

可以看到微调后OPT输出的内容是不一样的。

vllm@support_peft

简单过一下vllm的结构。

最重要的是vllm-vllm-core下的block_manager.py，负责对内存进行动态分配

我们在前两篇文章中讲过，peft是如何加上LoRA这个旁路的：

1. 遍历原来model的所有层数，找到我们需要加上LoRA的某（几）个module（比如self-attetion）；
2. 把找到的module单独抠出来，放到一个新的module（LoRA module）里面；
3. LoRA module中包含A、B两个矩阵，输入给到A、B矩阵后得到的输出 与 原来module的输出相加，得到新的输出。

如果要让vLLM支持peft技术，其实就是要让LoRA中的module对应上vLLM中的module，然后把LoRA module挂到module的旁路上面去。

还是以vllm-vllm-model_executor_models下的llama.py为例，仔细审阅一下LlamaAttention模块

用hidden_states作为输入计算qkv。显然，我们需要让hidden_states同时作为输入给到LoRA module。这里Cassia大佬的实现是在lora.py中，他在load_adapter方法中将原本的qkv_proj模块抠出来扔到了VllmLoRA这个LoRA module中，然后将原来的module替换成新的

如此一来，当qkv, _ = self.qkv_proj(hidden_states)这句话调用qkv_proj这个模块时，实际上调用的是被lora.py替换后的qkv_proj。

最后来看下VllmLoRA这个LoRA module是怎么写的

1. 类定义：

   • VllmLoRA 继承自 LoraLayer 和 ColumnParallelLinear。

2. 构造函数：

   • 构造函数接收多个参数，包括输入大小（input_size）、输出大小（output_size）、LoRA参数（r、lora_alpha、lora_dropout）和其他关键字参数。
   • init_lora_weights 用于控制是否初始化 LoRA 权重。
   • 使用 ColumnParallelLinear 和 LoraLayer 的构造函数初始化该层。
   • 重置线性层的参数。
   • 使用 update_layer 方法初始化 q_proj、k_proj 和 v_proj 这三个LoRA层。
   • active_adapter 。

3. 前向传播（forward 方法）：

   • 这个方法首先调用 ColumnParallelLinear 的前向传播方法来处理输入。
   • 将输入数据转换为 LoRA 层所需的数据类型。
   • 对于 q_proj、k_proj 和 v_proj，使用 LoRA 层进行计算，并将结果相加到原始的线性层输出上。
   • 返回最终结果和偏置。

以上，就是vLLM支持LoRA的方法。

Decoding methods

之前在将分页机制的时候讲到一个Prompt to Muitiple Outputs，一个prompt如何生成多种不同的output，这取决于使用的decoding method。

Greedy Search

Greedy search就是贪心，每次取下一步最大的那个token

Beam Search

Beam search需要一个参数num_beams，用于决定往后看几步，每次取后几步最大的beam中第一个token

Sampling

每次对下一个token生成的概率进行采样，每个token都有可能被选择

Top-K Sampling

Sampling存在的问题是，它只考虑了上图中那种比较理想的分布情况。然而在现实中，很多token分布的值可能会很接近，所以Top-K Sampling的做法是对采样区域进行一定的限制，只在前K个token之间进行采样

Top-p (nucleus) Sampling

还有种Sampling方法叫做Top-p (nucleus) sampling，当前p个分布之和大于定值（比如0.9）时，将前p个token作为取样范围

Quantization 量化

网上开源的很多模型本身是全精度的，我们用半精度进行加载量化效果较好，但是如果在进行进一步的量化效果可能就会很差。原因在于全精度意味着更多的参数，在复杂情况下，量化带来的误差会被越放越大，导致模型的表现大幅下降。

下图就是半精度16-bit基准线与8-bit基准线的对比，随着参数量变大8-bit基准线会骤降

于是，量化中最常用的一种技术LLM.int8出现了，它可以用8-bit达到16-bit基准线的效果。

8-bit量化

在介绍LLM.int8技术之前，先看看8-bit量化是如何做的。

8-bit量化的意思是将原来半精度浮点数转换成int_8（int_8的范围是-177~177），举个例子：

Example 1

• 原始数据: x = [1.52, 2.64, -3.45, 4.32]
• 量化过程:
  • x_absmax = 4.32 # 找最大
  • scale_factor=127 / x_absmax ≈ 29.4 # 计算量化因素
  • q_x = round([1.52, 2.64, -3.45, 4.32] * scale_factor) =[45, 78, -101, 127] # 将半精度浮点数映射到int_8的数组，占用空间会少一半
• 反量化过程:
  • x’ = q_x/scale_factor = [1.53, 2.61, 3.44, 4.32] # 除了最大值不变，其他参数会有略微误差

Problem 1

量化过程存在量化误差

• 原始数据：x=[1.52,2.64,-3.45,4.32]
• 反量化结果：x’=[1.53,2.61,3.44,4.32]

如何降低量化误差，提高量化精度?

• 使用更多的量化参数（scale_factor）
• 矩阵乘法A*B可以看作是A的每一行乘上B的每一列，为A的每每一行和B的每一列单独设置scale_factor，这种方式被称之为Vector-wise量化

Example 2

• Data: x = [1.42,1.51,1.54,45.3]
• Quantization process:
  • x_absmax = 45.3
  • scale_factor=127 / x_absmax ≈ 2.8
  • q_x = round([1.42, 1.51, 1.54, 4.32] * scale_factor) = [4, 4,4, 127]
• Dequantization process:
  • x’ = q_x/scale_factor = [1.43, 1.43, 1.43, 45.36]

Problem 2

很明显，当最大值相对较大时，其他数值的误差就会很大：

• 离群值：超出某个分布范围的值通常称为离群值
  • x = [1.42, 1.51, 1.54, 45.3]
• 8位精度的动态范围极其有限,因此量化具有多个大值的向量会产生严重误差
• 误差在一点点累积的过程中会导致模型的最终性能大幅度下降

LLM.int8()

其实很简单，LLM.int8()方法通过将16位浮点数的特征和权重矩阵分解成小的子矩阵，并将它们转换为8位整数来进行高效的矩阵乘法运算。

该方法特别处理矩阵中的离群值（通过均值和方差），这些值保持为16位浮点数以保证计算的精度。

完成乘法运算后，方法会对结果进行反量化处理，将8位整数输出转换回16位浮点数，然后将离群值结果和常规结果累加以得到最终输出。

这个过程优化了计算效率，同时尽量减少了精度损失。

还是做个实验

from transformers import AutoModel

model = AutoModel.from_pretrained("../Llama-2-7B-Chat-fp16", load_in_8bit=True)

用int_8来加载，只用了7661M

for name, params in model.named_parameters():
    print(name, params.dtype)

LLM.int8()会自动处理哪些需要转成int_8，哪些需要保留float_16。