基于魔搭开源推理引擎 DashInfer实现CPU服务器大模型推理--理论篇
媒介在人工智能技术飞速发展的今天，如何高效地在CPU上运行大规模的预训练语言模型（LLM）成为了加快天生式AI应用广泛落地的焦点问题。阿里巴巴达摩院模型开源社区ModelScope近期推出了一款名为DashInfer的推理引擎，旨在办理这一挑衅。
DashInfer用于推理预训练大语言模型（LLM）的推理引擎。
DashInfer接纳C++ Runtime编写，提供C++和Python语言接口。DashInfer具有生产级别的高性能表现，适用于多种CPU架构，包罗x86和ARMv9。DashInfer支持连续批处理（Continuous Batching）和多NUMA推理（NUMA-Aware），可以或许充分使用服务器级CPU的算力，为推理14B及以下的LLM模型提供更多的硬件选择。
不想看理论的小伙伴可以直接跳转到实战了：基于魔搭开源推理引擎 DashInfer实现CPU服务器大模型推理--实战篇-CSDN博客
DashInfer介绍
轻量级架构：仅需要最小程度的第三方依赖，并接纳静态链接的方式引用依赖库。提供C++和Python接口，让DashInfer可以轻松集成到您的体系和其他编程语言中。
提供高精度实现：DashInfer经过严酷的精度测试，可以或许提供与PyTorch、GPU引擎（vLLM）一致的推理精度。
优化的盘算Kernel：联合OneDNN和自研汇编kernel，DashInfer可以或许在ARM和x86上发挥硬件的最大性能。ARM cpu+单batch条件下，推理Llama2-7B-Chat的16-bit权重和8-bit权重模型，DashInfer的天生性能分别是llama.cpp的1.5倍和1.9倍，详细性能测试结果参考performance.md
(https://github.com/modelscope/dash-infer/blob/main/documents/EN/performance.md)。
行业标准LLM推理技术：接纳行业标准的LLM推理技术，例如：
[*] 连续批处理（Continuous Batching），可以或许进行即时插入新请求，支持流式输出；
[*] 基于请求的异步接口允许对每个请求的天生参数、请求状态等进行单独控制。
支持主流LLM开源模型：支持主流的开源LLM模型，包罗Qwen、LLaMA、ChatGLM等，支持Huggingface格式的模型读取。
PTQ量化：使用DashInfer的InstantQuant（IQ），无需训练微调即可实现weight-only量化加快，进步部署效率。经过精度测试，IQ对模型精度不会产生影响。目前版本支持ARM CPU上的weight-only 8-bit量化。
优化的盘算Kernel：联合OneDNN和自研汇编kernel，DashInfer可以或许在ARM和x86上发挥硬件的最大性能。
NUMA-Aware：支持多NUMA的tensor并行推理，充分发挥服务器级CPU的算力。通过numactl和多进程架构，精准控制盘算线程的NUMA亲和性，充分使用多节点CPU的性能，而且制止跨NUMA访存带来性能降落问题。关于多NUMA的性能指导可以参考：Optimizing Applications for NUMA - Intel, What is NUMA?。
上下文长度（Context Length）：目前版本支持11k的Context Length，未来还会继承支持更长Context Length。
提供多语言API接口：提供C++和Python接口，可以或许直接使用C++接口对接到Java、Rust等其他编程语言。
操作体系支持：支持Centos7、Ubuntu22.04等主流Linux服务器操作体系，并提供对应的Docker镜像。
硬件支持和数据范例
硬件支持
x86 CPU：
[*] 要求硬件至少需要支持AVX2指令集。对于第五代至强（Xeon）处理器（Emerald Rapids）、第四代至强（Xeon）处理器（Sapphire Rapids）等（对应于阿里云第8代ECS实例，如g8i），接纳AMX矩阵指令加快盘算。
ARMv9 CPU：
[*] 要求硬件支持SVE指令集。支持如倚天（Yitian）710等ARMv9架构处理器（对应于阿里云第8代ECS实例，如g8y），接纳SVE向量指令加快盘算。
数据范例
[*] x86 CPU：支持FP32、BF16。
[*] ARM Yitian710 CPU：FP32、BF16、InstantQuant。
InstantQuant
InstantQuant是一种weight-only量化技术。
在Yitian710 CPU（ARMv9）上，DashInfer支持weight-only量化。
要进行weight-only量化，需要修改模型设置文件的do_dynamic_quantize_convert和quantization_config字段，参数的详细说明参考Github。
weight-only量化，会在GroupSize的范围内求取weight的最大、最小值，并将weight数值映射到uint8的值域范围，盘算公式如下：
https://img-blog.csdnimg.cn/img_convert/bdc601d733cd27e8ac7a5f8082432793.png
推理过程中，量化的weight会被恢复成bfloat16进行矩阵乘法盘算。
软件框架
推理流程
https://img-blog.csdnimg.cn/img_convert/e7d200907f64d0b4c9813e5c70bb2526.png
[*] 模型加载与序列化：此过程负责读取模型权重、设置模型转换参数及量化参数，并根据这些信息对模型进行序列化，并天生DashInfer格式（.asparam、.asgraph）的模型。此功能仅提供Python接口，并依赖于PyTorch和transformers库来访问权重。不同模型对PyTorch和transformers的版本要求可能有所不同，DashInfer本身并没有特殊的版本要求。
[*] 模型推理：此步调负责执行模型推理，使用DashInfer推理序列化后的模型，不依赖PyTorch等组件。DashInfer接纳DLPack格式的tensor来实现与外部框架（如PyTorch）的交互。DLPack格式的tensor，可以通过手动创建或由深度学习框架的tensor转换函数产生。对于C++接口，由于已经将几乎全部依赖静态编译，仅对openmp运行时库以及C++体系库的有依赖。我们进行了链接符号处理，以确保只有DashInfer的API接口符号可见，制止与客户体系中已有的公共库（如protobuf等）发生版本冲突。
说明：
.asparam、.asgraph是由DashInfer内核（allspark）定义的一种特殊的模型格式。
使用Python接口时，可以将步骤1和2的代码放在一起。由于缺少C++层面加载Huggingface模型的功能，C++接口只能进行DashInfer格式的模型推理，因此在使用C++接口前，必须先用Python接口先对模型进行序列化。
代码开源地址：
https://github.com/modelscope/dash-infer
推理体验地址：
https://www.modelscope.cn/studios/modelscope/DashInfer-Demo
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]