引言

自大語言模型 (LLM) 成為熱點話題以來，涌現(xiàn)了一大批中文大語言模型并在優(yōu)化平臺中得到了積極部署。ChatGLM 正是廣受好評的主流中文 LLM 之一。然而，由于 ChatGLM 模型尚未成為 Transformer 生態(tài)的原生模型，因此，官方 optimum 擴(kuò)展庫對其仍缺乏支持。本文提供了一種使用 OpenVINO opset 重構(gòu)該模型架構(gòu)的便捷方法。該方案包含專為 ChatGLM 定制的優(yōu)化節(jié)點，且這些節(jié)點都利用英特爾 高級矩陣擴(kuò)展（Intel Advanced Matrix Extensions，英特爾 AMX）內(nèi)聯(lián)和 MHA（Multi-Head Attention，多頭注意力）融合實現(xiàn)了高度優(yōu)化。

*請注意，本文僅介紹了通過為 ChatGLM 創(chuàng)建 OpenVINO stateful 模型實現(xiàn)優(yōu)化的解決方案。本方案受平臺限制，必須使用內(nèi)置了英特爾 AMX 的第四代英特爾 至強 可擴(kuò)展處理器¹（代號 Sapphire Rapids）。筆者不承諾對該解決方案進(jìn)行任何維護(hù)。

ChatGLM 模型簡介

筆者在查看 ChatGLM 原始模型的源碼時，發(fā)現(xiàn) ChatGLM 與 Optimum ModelForCasualML 并不兼容，而是定義了新的類 ChatGLMForConditionalGeneration。該模型的流水線回路包含 3 個主要模塊（Embedding、GLMBlock 層和 lm_logits），結(jié)構(gòu)如下：

圖 1. ChatGLM 的模型結(jié)構(gòu)

如上圖所示，整個流水線實際要求模型有兩個不同的執(zhí)行圖，使用輸入提示符進(jìn)行首次推理時不需要 KV 緩存作為 GLMBlock 層的輸入。從第二次迭代開始，QKV 注意力機(jī)制的上一次結(jié)果將成為當(dāng)前一輪模型推理的輸入。隨著生成符的長度不斷增加，在流水線推理過程中，模型輸入和輸出之間將存留大量的大型內(nèi)存副本。以ChatGLM6b 默認(rèn)模型配置²為示例，輸入和輸出陣列之間的內(nèi)存副本類似于以下偽代碼，其內(nèi)存拷貝的開銷由模型的參數(shù) hidden_size 以及迭代的次數(shù)決定：

因此，本文要解決的兩大關(guān)鍵問題是：

• 如何優(yōu)化模型推理流水線來消除模型輸入和輸出之間的內(nèi)存副本

• 如何通過重新設(shè)計執(zhí)行圖來優(yōu)化 GLMBlock 模塊

構(gòu)建 OpenVINO stateful 模型
實現(xiàn)顯著優(yōu)化

首先，需要分析 GLMBlock 層的結(jié)構(gòu)，嘗試封裝一個類并按以下工作流來調(diào)用 OpenVINO opset。接著，將圖形數(shù)據(jù)序列化為 IR 模型 (.xml, .bin)。

圖 2. 為 ChatGLM 構(gòu)建 OpenVINO stateful 模型

關(guān)于如何構(gòu)建 OpenVINO stateful模型，可參閱以下文檔：

https://docs.openvino.ai/2022.3/openvino_docs_OV_UG_network_state_intro.html

OpenVINO 還提供了模型創(chuàng)建樣本，以展示如何通過 opset 構(gòu)建模型。

https://github.com/openvinotoolkit/openvino/blob/master/samples/cpp/model_creation_sample/main.cpp

ChatGLM 的自定義注意力機(jī)制是本文所關(guān)注和優(yōu)化的部分。主要思路是：構(gòu)建全局上下文結(jié)構(gòu)體，用于在模型內(nèi)部追加并保存每一輪迭代后的 pastKV 的結(jié)果，這樣減少了 pastKV 作為模型輸入輸出的拷貝開銷，同時使用內(nèi)聯(lián)優(yōu)化以實現(xiàn) Rotary Embedding 和多頭注意力機(jī)制 (Multi-Head Attentions)。 英特爾 AMX 是內(nèi)置在第四代英特爾至強 可擴(kuò)展處理器中的矩陣乘法加速器，能夠更快速地處理 bf16 或 int8 數(shù)據(jù)類型的矩陣乘加運算，通過加速張量處理，顯著提高推理和訓(xùn)練性能。借助英特爾 AMX 內(nèi)聯(lián)指令（用于加速計算的單指令多操作），實現(xiàn)了對 ChatGLM 模型中 Attention，Rotary Embedding 等算子的高度優(yōu)化，并且使用 bf16 指令進(jìn)行乘加操作，在保證浮點指數(shù)位精度的同時提高運算效率。 與此同時，本方案還使用 int8 精度來壓縮全連接層的權(quán)重，在實時計算中將使用bf16進(jìn)行計算。因此，無需通過訓(xùn)練后量化 (PTQ) 或量化感知訓(xùn)練 (QAT) 對模型進(jìn)行低精度處理。模型壓縮方法可以降低模型存儲空間，減少內(nèi)存帶寬的負(fù)載，因為計算仍然使用浮點，不會造成溢出，不會對模型精度造成損失。

為 ChatGLM 創(chuàng)建
OpenVINO stateful 模型

請依照下方示例配置軟硬件環(huán)境，并按照以下步驟優(yōu)化 ChatGLM：

硬件要求

第四代英特爾 至強 可擴(kuò)展處理器（代號 Sapphire Rapids）及后代產(chǎn)品

軟件驗證環(huán)境

Ubuntu 22.04.1 LTS 面向 OpenVINO Runtime Python API 的 Python 3.10.11 用于構(gòu)建 OpenVINO Runtime 的 GCC 11.3.0 cmake 3.26.4

構(gòu)建 OpenVINO 源碼

• 安裝系統(tǒng)依賴并設(shè)置環(huán)境

• 創(chuàng)建并啟用 Python 虛擬環(huán)境

• 安裝 Python 依賴

• 使用 GCC 11.3.0 編譯 OpenVINO

• 克隆 OpenVINO 并升級子模塊

• 安裝 Python 環(huán)境依賴，以構(gòu)建 Python Wheel

• 創(chuàng)建編譯目錄

• 使用 CMake 編譯 OpenVINO

• 安裝針對 OpenVINO Runtime 和 openvino-dev 工具構(gòu)建好的 Python Wheel

• 檢查系統(tǒng) GCC 版本和 Conda Runtime GCC 版本。如下所示，如果系統(tǒng) GCC 版本高于 Conda GCC 版本，請升級 Conda GCC 至相同版本，以滿足 OpenVINO Runtime 的需求。（可選）

• 將 PyTorch 模型轉(zhuǎn)為 OpenVINO IR

使用 OpenVINO Runtime API
為 ChatGLM 構(gòu)建推理流水線

本文提供了使用 Transformer 和 OpenVINO Runtime API 構(gòu)建推理流水線的樣本。首先，在test_chatglm.py中，創(chuàng)建一個由transformers.PreTrainedModel衍生的新類。然后，通過使用 OpenVINO Runtime Python API 構(gòu)建模型推理流水線來更新轉(zhuǎn)發(fā)函數(shù)。其他成員函數(shù)則遷移自modeling_chatglm.py的 ChatGLMForConditionalGeneration。如此一來，即可確保輸入準(zhǔn)備工作、set_random_seed、分詞器/連接器 (tokenizer/detokenizer) 以及余下的流水線操作能夠與原始模型的源碼保持一致。 如需啟用 int8 權(quán)重壓縮，只需設(shè)置簡單的環(huán)境變量 USE_INT8_WEIGHT=1。這是因為在模型生成階段，已使用 int8 對全連接層的權(quán)重進(jìn)行了壓縮，因此模型可在之后的運行過程中直接使用 int8 權(quán)重進(jìn)行推理，從而免除了通過框架或量化工具壓縮模型的步驟。 請按照以下步驟使用 OpenVINO Runtime 流水線測試 ChatGLM：

• 運行 bf16 模型

• 運行 int8 模型

權(quán)重壓縮：降低內(nèi)存帶寬使用率
提升推理速度

本文采用了 Vtune 對模型權(quán)重數(shù)值精度分別為 bf16 和 int8 的內(nèi)存帶寬使用率（圖 3 和圖 4）以及 CPI 率進(jìn)行了性能對比分析（表 1）。結(jié)果發(fā)現(xiàn)：當(dāng)模型權(quán)重數(shù)值精度壓縮至 int8 時，可同時降低內(nèi)存帶寬使用率和 CPI 率。

圖 3. 模型權(quán)重數(shù)值精度為 bf16 時的內(nèi)存帶寬使用率

圖 4. 模型權(quán)重數(shù)值精度為 int8 時的內(nèi)存帶寬使用率

模型權(quán)重數(shù)值精度	bf16	int8
CPI 率	10.766	1.175

表 1. 采用不同模型權(quán)重數(shù)值精度時的 CPI 率

每條指令消耗的時鐘周期 (Clockticks per Instruction Retired, CPI) 事件率，也稱為“平均指令周期數(shù) (Cycles per Instruction)”，是基于硬件事件抽樣收集的基礎(chǔ)性能指標(biāo)之一，在抽樣模式下也稱為“性能監(jiān)控計數(shù)器 (PMC) 分析”。該比率計算方式為：用處于非停機(jī)狀態(tài)的處理器時鐘周期數(shù) (Clockticks) 除以已消耗指令數(shù)。每個處理器用于計算時鐘周期數(shù)和已消耗指令數(shù)的確切事件可能并不相同，但 VTune Profiler 可辨別和使用正確的數(shù)量。 CPI < 1 時，通常為采用指令密集型代碼的應(yīng)用，而 CPI > 1 則可能是停滯時鐘周期密集型應(yīng)用，也可能是內(nèi)存密集型應(yīng)用。由此，我們可以得出結(jié)論，類似 chatGLM 等語言模型對內(nèi)存帶寬的要求非常高，性能往往受到內(nèi)存操作或帶寬的限制。很多場景下，消除內(nèi)存操作的負(fù)載，性能會因此獲得大幅收益。在優(yōu)化此類模型時，如何在不影響精度的同時對模型進(jìn)行壓縮或輕量化處理是一項不可或缺的技巧。除此之外，在異構(gòu)平臺和框架上進(jìn)行部署，還涉及到減少內(nèi)存/設(shè)備存儲之間的數(shù)據(jù)搬運等優(yōu)化思路。因此，在壓縮模型的同時，還需要考慮對原始 pytorch 模型推理 forward/generates 等函數(shù)流水線的優(yōu)化，而 OpenVINO 在優(yōu)化模型自身的同時，還將流水線的優(yōu)化思路體現(xiàn)在修改模型結(jié)構(gòu)中（將 KV cache保存在模型內(nèi)部），通過優(yōu)化 Optimum-intel 等框架的流水線，減少內(nèi)存拷貝和數(shù)據(jù)搬運。

結(jié) 論

筆者根據(jù)上述方法重新設(shè)計執(zhí)行圖并優(yōu)化了 GLMBlock，消除了 ChatGLM 模型輸入和輸出之間的內(nèi)存副本，且模型運行高效。隨著 OpenVINO 的不斷升級，本方案的優(yōu)化工作也將得到推廣并集成至正式發(fā)布的版本中。這將有助于擴(kuò)展更多的大語言模型用例。敬請參考 OpenVINO 官方版本³ 和 Optimum-intel OpenVINO 后端⁴，獲取有關(guān)大語言模型的官方高效支持。

作者簡介：

英特爾OpenVINO 開發(fā)工具客戶支持工程師趙楨和鄒文藝，英特爾 OpenVINO 開發(fā)工具 AI 框架工程師羅成和李亭騫，都在從事 AI 軟件工具開發(fā)與優(yōu)化工作。