从AI推理性能优化角度看LLaMA的模型结构和源码

点击全文阅读

本篇文章讲讲LLaMA的结构，已经有很多文章已经对LLaMA在一些结构上任务表现上做了一些解析，本文主要从优化的角度、实现kernel的角度解析一下LLaMA，读者事先对transformer的结构有基本认识最好。本文首发于我的公众号“AI不止算法”，文章链接在此

LLaMA简单介绍

几个月前，FB开源了LLAMA，LLAMA1包括三个参数量的模型7B、13B、65B， 证明了完全可以通过公开数据集来训练最先进的模型，而无需使用专有和不可获取的数据集，同时LLaMA-13B 在大多数benchmark优于 GPT-3，尽管大小只有后者的1/10。在更大规模上，LLaMA-65B 参数模型也与可以与Chinchilla或PaLM-540B相竞争，这是之前bloom、OPT等没有做到的。本文不谈LLaMA的预训练数据多么多么怎么样，也不谈LLaMA在各个任务上的表现如何，重点从性能优化的角度谈谈LLaMA的模型结构。

模型结构

LLaMA主体结构依然是transformer组成，和其它LLM不同的是：

使用RMSNorm（即Root Mean square Layer Normalization）对每个Transformer子层的input进行Pre Norm使用激活函数SwiGLU使用RoPE进行相对位置编码使用了AdamW优化器，并使用cosine learning rate schedule （AdamW和Adam的区别我不是特别清楚，先放着不讲）

RMSNorm为layerNorm的变体，在分子分母都省去了Mean，同时少了beta参数，虽然不用再计算variance了，但我觉得Welford依然是Normlization类算子性能的最优解

    # RMSNormclass RMSNorm(torch.nn.Module):    def __init__(self, dim: int, eps: float = 1e-6):        super().__init__()        self.eps = eps # ε        self.weight = nn.Parameter(torch.ones(dim))     def _norm(self, x):        # RMSNorm        return x * torch.rsqrt(x.pow(2).mean(-1, keepdim=True) + self.eps)    def forward(self, x):        output = self._norm(x.float()).type_as(x)        return output * self.weight

激活函数SwiGLU整合了Swish和GLU这两个函数，网上的文章对这一块讲的似懂非懂，不如直接看CUDA源码，我去翻了一下SwiGLU的实现，得出SwiGLU可以理解为SiLU和mul的fused kernel，前者为x * sigmoid(x)，本质上来看依然是一个element wise kernel

对于RoPE，这是一个新鲜的玩意，我们要做的就是实现这样一个rotary_embedding kernel , 它作用与QK矩阵上，在QK的batch GEMM之前，采用绝对位置编码来达到相对位置编码的效果，绝对位置编码的优点是计算简单高效，缺点是一般效果不如相对位置编码。相对位置编码的优点是效果较好，缺点是计算效率不如绝对位置编码。在相对位置编码中，注意力权重的结果仅仅和参与注意力计算的token向量的相对位置有关，不和绝对位置直接关联。这符合NLP领域在序列长度方向上具有平移不变性的特点，所以相对位置编码一般效果会优于绝对位置编码。

RoPE公式推导我个人有点看不下去，直接看公式吧，将旋转位置编码过程由GEMM简化成两次向量的哈达玛积求和，这也是一个element wise kernel，要把x给索引好，送给cos和sin相乘

python源代码，还是比较straightforward

LLaMA Attention

和普遍的attention结构没有太大区别，除了把上面的那些新增结构RMS norm，RoPE给添加到各个transformer layer开头和QK之后。想谈论的是Tensor Parallel 版本的attention，这里对qkv的weight采用了列切分，output linear采用了行切分，这循序了NV megatron的张量并行切分思想，有助于最小化多卡通讯开销。

LLaMA MLP

同理对于MLP，也采用了linear的列切分行切分版本，同时把SwiGLU给加了进去

LLaMA TransformerLayer

对于每个layer，把attention和MLP叠起来就完事

Llama generate

transformerlayer出来后的经过LMhead（其实就是个linear）+ softmax得到probs，然后就开始sample，可以topP，可以贪心，可以beam search，主要就看怎么设计了，在这份代码里，采用了topP或贪心，最后再detokenize，吐出token到构造的buffer tokens = torch.full((bsz,total_len), self.tokenizer.pad_id).cuda().long()

class LLaMA:    def __init__(self, model: Transformer, tokenizer: Tokenizer):        self.model = model        self.tokenizer = tokenizer    def generate(        self,        prompts: List[str],        max_gen_len: int,        temperature: float = 0.8,        top_p: float = 0.95,    ) -> List[str]:        bsz = len(prompts)        params = self.model.params        assert bsz <= params.max_batch_size, (bsz, params.max_batch_size)        prompt_tokens = [self.tokenizer.encode(x, bos=True, eos=False) for x in prompts]        min_prompt_size = min([len(t) for t in prompt_tokens])        max_prompt_size = max([len(t) for t in prompt_tokens])        total_len = min(params.max_seq_len, max_gen_len + max_prompt_size)        tokens = torch.full((bsz, total_len), self.tokenizer.pad_id).cuda().long()                for k, t in enumerate(prompt_tokens):            tokens[k, : len(t)] = torch.tensor(t).long()        input_text_mask = tokens != self.tokenizer.pad_id        start_pos = min_prompt_size        prev_pos = 0        # start generate        for cur_pos in range(start_pos, total_len):            logits = self.model.forward(tokens[:, prev_pos:cur_pos], prev_pos)            if temperature > 0:                probs = torch.softmax(logits / temperature, dim=-1)                # sample by top P                next_token = sample_top_p(probs, top_p)            else:                # greedy search                next_token = torch.argmax(logits, dim=-1)            next_token = next_token.reshape(-1)            # only replace token if prompt has already been generated            next_token = torch.where(                input_text_mask[:, cur_pos], tokens[:, cur_pos], next_token            )            tokens[:, cur_pos] = next_token            prev_pos = cur_pos        # detokenize        decoded = []        for i, t in enumerate(tokens.tolist()):            # cut to max gen len            t = t[: len(prompt_tokens[i]) + max_gen_len]            # cut to eos tok if any            try:                t = t[: t.index(self.tokenizer.eos_id)]            except ValueError:                pass            decoded.append(self.tokenizer.decode(t))        return decoded# sample the one which is the cum prob < pdef sample_top_p(probs, p):    probs_sort, probs_idx = torch.sort(probs, dim=-1, descending=True)    probs_sum = torch.cumsum(probs_sort, dim=-1)    mask = probs_sum - probs_sort > p    probs_sort[mask] = 0.0    probs_sort.div_(probs_sort.sum(dim=-1, keepdim=True))    # extract a sample    next_token = torch.multinomial(probs_sort, num_samples=1)    # find next_token's id        next_token = torch.gather(probs_idx, -1, next_token)    return next_token

LLaMA 2

LLaMA2在1的基础上又做了一些改进，在模型结构上引入了GQA来降低KV cache的显存占用，以此来增大batch size，获得更高的吞吐量，后面单独开篇文章讲讲MQA和GQA

另外

1、attention mask的构造上面也有一些要点：

_make_causal_mask用于构造下三角这种mask结构以实现语言模型的单向注意力。

_expand_mask用于将mask信息展开成和attention矩阵相同的张量结构。

2、对优化器AdamW的具体实现不是很了解，后续补补课再来聊聊

3、LLM的inference本身并不像general的inference engine或者framework那么有太大的复杂度，主要还是实现那几个kernel，整体我个人感觉在性能优化的角度，还是不会带来太大的额外工作量，多数kernel都可以reuse已有实现

最后，欢迎关注我的公众号“AI不止算法”

点击全文阅读