HuggingFace 模型自动张量并行

目录

简介

本教程演示了用于推理的全新自动张量并行功能。以前，用户需要向 DeepSpeed 提供注入策略以启用张量并行。现在，只要未启用核注入且未提供注入策略，DeepSpeed 默认支持 HuggingFace 模型的自动张量并行。这使得我们的用户无需提供注入策略，即可提高目前不支持核注入的模型的性能。以下是新方法的示例

# ---------------------------------------
# New automatic tensor parallelism method
# ---------------------------------------
import os
import torch
import transformers
import deepspeed
local_rank = int(os.getenv("LOCAL_RANK", "0"))
world_size = int(os.getenv("WORLD_SIZE", "1"))
# create the model pipeline
pipe = transformers.pipeline(task="text2text-generation", model="google/t5-v1_1-small", device=local_rank)
# Initialize the DeepSpeed-Inference engine
pipe.model = deepspeed.init_inference(
    pipe.model,
    mp_size=world_size,
    dtype=torch.float
)
output = pipe('Input String')

以前，对于不支持核注入的模型，若要仅使用张量并行运行推理，您可以传递一个注入策略，其中显示 Transformer 编码器/解码器层上的两个特定线性层：1) 注意力输出 GeMM 和 2) 层输出 GeMM。我们需要层的这些部分来在 GPU 之间添加所需的 all-reduce 通信，以合并模型并行等级的部分结果。下面，我们展示此先前方法的示例

# ----------------------------------
# Previous tensor parallelism method
# ----------------------------------
import os
import torch
import transformers
import deepspeed
from transformers.models.t5.modeling_t5 import T5Block
local_rank = int(os.getenv("LOCAL_RANK", "0"))
world_size = int(os.getenv("WORLD_SIZE", "1"))
# create the model pipeline
pipe = transformers.pipeline(task="text2text-generation", model="google/t5-v1_1-small", device=local_rank)
# Initialize the DeepSpeed-Inference engine
pipe.model = deepspeed.init_inference(
    pipe.model,
    mp_size=world_size,
    dtype=torch.float,
    injection_policy={T5Block: ('SelfAttention.o', 'EncDecAttention.o', 'DenseReluDense.wo')}
)
output = pipe('Input String')

通过自动张量并行，我们无需为支持的模型提供注入策略。注入策略将在运行时确定并自动应用。

示例脚本

我们可以使用 推理测试套件 观察自动张量并行带来的性能提升。此脚本用于测试文本生成模型，并包括每 token 延迟、带宽、吞吐量和内存检查以供比较。有关更多信息，请参阅 README。

启动

使用以下命令在不使用 DeepSpeed 和不使用张量并行的情况下运行。设置 test_performance 标志以收集性能数据

deepspeed --num_gpus <num_gpus> DeepSpeedExamples/inference/huggingface/text-generation/inference-test.py --name <model> --batch_size <batch_size> --test_performance

要启用张量并行，您需要对兼容模型使用 ds_inference 标志

deepspeed --num_gpus <num_gpus> DeepSpeedExamples/inference/huggingface/text-generation/inference-test.py --name <model> --batch_size <batch_size> --test_performance --ds_inference

T5 11B 推理性能比较

以下结果是使用 V100 SXM2 32GB GPU 收集的。

延迟

T5 Latency Graph

吞吐量

T5 Throughput Graph

内存

测试 每个 GPU 分配的内存 最大批处理大小 每个 GPU 的最大吞吐量
无张量并行或 1 个 GPU 21.06 GB 64 9.29 TFLOPS
2 个 GPU 张量并行 10.56 GB 320 13.04 TFLOPS
4 个 GPU 张量并行 5.31 GB 768 14.04 TFLOPS

OPT 13B 推理性能比较

以下结果是使用 V100 SXM2 32GB GPU 收集的。

OPT Throughput Graph

测试 每个 GPU 分配的内存 最大批处理大小 每个 GPU 的最大吞吐量
无张量并行 23.94 GB 2 1.65 TFlops
2 个 GPU 张量并行 12.23 GB 20 4.61 TFlops
4 个 GPU 张量并行 6.36 GB 56 4.90 TFlops

支持的模型

以下模型系列已成功通过自动张量并行测试。其他模型可能有效但尚未经过测试。

  • albert
  • arctic
  • baichuan
  • bert
  • bigbird_pegasus
  • bloom
  • camembert
  • chatglm2
  • chatglm3
  • codegen
  • codellama
  • deberta_v2
  • electra
  • ernie
  • esm
  • falcon
  • glm
  • gpt-j
  • gpt-neo
  • gpt-neox
  • longt5
  • luke
  • llama
  • llama2
  • m2m_100
  • marian
  • mistral
  • mixtral
  • mpt
  • mvp
  • nezha
  • openai
  • opt
  • pegasus
  • perceiver
  • phi
  • plbart
  • qwen
  • qwen2
  • qwen2-moe
  • reformer
  • roberta
  • roformer
  • splinter
  • starcode
  • t5
  • xglm
  • xlm_roberta
  • yoso
  • yuan

不支持的模型

以下模型目前不支持自动张量并行。它们可能仍然兼容其他 DeepSpeed 功能（例如，Bloom 的核注入）

  • deberta
  • flaubert
  • fsmt
  • gpt2
  • led
  • longformer
  • xlm
  • xlnet

更新日期：