自從2020年6月OpenAI發(fā)布chatGPT之后，基于Transformer網(wǎng)絡(luò)結(jié)構(gòu)的語言大模型（LLM）引發(fā)了全世界的注意與追捧，成為了人工智能領(lǐng)域的里程碑事件。

但大模型推理所需要的巨額開銷也引發(fā)了相關(guān)研究者的關(guān)注。如何高效地進行推理，并盡可能地減少成本，從而促進大模型應(yīng)用的落地成為了目前的關(guān)鍵問題。

于是，澎峰科技研發(fā)了一款大模型推理引擎—PerfXLLM，并且已經(jīng)在高通的驍龍8Gen2平臺實現(xiàn)了應(yīng)用。接下來將分為四個部分進行介紹，第一部分將介紹PerfXLLM的整體架構(gòu)設(shè)計，第二部分將展示手機端的性能表現(xiàn)，第三部分將詳細地闡述手機端的推理優(yōu)化方案，最后在第四部分將介紹PerfXLLM的未來規(guī)劃。

一、PerfXLLM整體架構(gòu)
目前大模型推理過程主要放在服務(wù)器或者云上進行處理。用戶發(fā)出請求，服務(wù)器進行響應(yīng)，通過GPU等高性能計算部件完成推理計算，并通過網(wǎng)絡(luò)將結(jié)果傳輸給用戶。而隨著移動端設(shè)備硬件能力的不斷進步，并且用戶原始數(shù)據(jù)可能存在敏感隱私信息導(dǎo)致對安全問題有所顧慮，大模型在移動端的應(yīng)用和落地也成為了實際需求之一。為了兼顧兩部分的需求，PerfXLLM設(shè)計上采用了云端一體的架構(gòu)理念。

如上圖所示，當(dāng)模型經(jīng)過解析量化之后被PerfXLLM的推理引擎加載至內(nèi)存中。不管是云側(cè)還是端側(cè)都是調(diào)用同樣的一套推理引擎代碼。有所區(qū)別的地方在于云側(cè)需要進行額外的Serving模塊，從而獲得更高的硬件利用率和QPS響應(yīng)。再聚焦到底層Kernel，PerfXLLM中開發(fā)了一套針對大模型推理的算子庫，可以支持GPU、CPU等多種硬件設(shè)備。

二、PerfXLLM應(yīng)用在手機端

目前，PerfXLLM針對高通驍龍8Gen2芯片進行了定制優(yōu)化，高通8Gen2芯片進行了定制優(yōu)化，對LlaMA模型采用了AWQ的int4量化方法，并為模型開發(fā)了PerfXChat APP。生成速度為6.7 token/s。模型內(nèi)存占用為3.7GB。而llama.cpp的生成速度僅為3.2 token/s。

具體而言，通過芯片上的Andreno GPU進行加速，使用了OpenCL編程模型。首先對LlaMA模型進行int4量化，所采用的方式是AWQ量化方法。而后針對LlaMA模型中最耗時的Kernel進行了優(yōu)化。手機端的輸入token和生成token較少時，模型主要瓶頸在于GEMM算子和GEMV算子，研發(fā)團隊對這兩個算子進行了手工調(diào)優(yōu)。模型使用效果如下。

三、手機端推理優(yōu)化方案介紹

由于手機端的硬件性能與服務(wù)器端差距較大，因而在手機端如何將大模型運行起來，并帶給用戶流暢的使用體驗并不是一件容易的事情。為了對手機端的大模型推理進行優(yōu)化，PerfXLLM目前主要采用的手段有低精度量化、算子融合以及核心算子調(diào)優(yōu)。

3.1.低精度量化

低精度量化指的是將更高精度的數(shù)據(jù)表示類型轉(zhuǎn)化成低精度的數(shù)據(jù)表示類型來加快計算過程。常用的低精度量化有fp16、int8、int4等。通過低精度的量化，可以減少訪存開銷和內(nèi)存空間，通過特殊計算單元加快運算。因而可以獲得比原精度更高的性能表現(xiàn)。PerfXLLM需要將7B的模型運行在手機上。如果是fp16的模型，則需要大概14GB的內(nèi)存占用。但是目前市面上手機內(nèi)存一般不超過16GB，再減去系統(tǒng)本身所需要的內(nèi)存占用以及其他APP可能需要的內(nèi)存空間，必須使用低精度量化才能滿足。

PerfXLLM采用的是AWQ量化方法，只對權(quán)重進行量化。對于fp16的模型參數(shù)，將其量化成int4類型，內(nèi)存占用減少到原來的1/4。所采用的group_size為128，只需要額外存儲1%左右的scale和zero參數(shù)。

3.2.算子融合

算子融合是將多個算子融合成一個，從而減少中間結(jié)果的數(shù)據(jù)讀取和寫入操作，并且也能有效地減少Kernel launch所需要的開銷。為了提高推理速度，PerfXLLM進行的算子融合操作主要體現(xiàn)在三個部分。第一部分是將殘差網(wǎng)絡(luò)的加法操作和歸一化操作進行融合，避免了中間結(jié)果在全局內(nèi)存中的搬運；第二部分是將生成QKV的三次矩陣乘操作融合成一次，使用更大維度的矩陣乘法操作，從而更充分地利用硬件性能；第三部分是將self attention中的操作全部融合成一個算子，這些操作包含針對QK的旋轉(zhuǎn)編碼，QKV的兩次矩陣乘法以及中間的Softmax操作。具體的示意圖如下。

3.3.核心算子調(diào)優(yōu)

語言大模型中所需要的算子較少，并且絕大部分性能開銷都集中在1-2個算子上，因而針對核心算子的細致調(diào)優(yōu)便顯得尤為關(guān)鍵。在手機端，當(dāng)生成token數(shù)量較少時，Attention相關(guān)算子的耗時占比非常少，而GEMM（通用矩陣乘法）類的算子耗時幾乎占據(jù)了整個推理過程。對于大模型推理而言，一般會分為兩個過程。在第一個過程中，輸入的token數(shù)量大于1，對應(yīng)的算子即GEMM。第二個過程中，輸入的token數(shù)量恒定為1，對應(yīng)的算子即GEMV（矩陣向量乘法）。因此，推理優(yōu)化的核心問題在于如何提高GEMM和GEMV的性能。PerxLLM對這兩個算子進行了細致的優(yōu)化。

1）針對GEMM算子。首先介紹GEMM算子的定義，給定矩陣A和B，其維度分別為[m, k]和[k,n]，將兩者相乘得到矩陣C，維度為[m, n]。根據(jù)輸入token數(shù)量的不同，PerfXLLM將其分為兩種情況進行優(yōu)化。當(dāng)輸入token數(shù)量較少時，矩陣B是一個高瘦矩陣，GEMM變成訪存密集型算子。當(dāng)輸入token數(shù)量較多時，GEMM是一個計算密集型算子。針對兩種不同的情況，PerfXLLM采用了兩種不同的分塊模式，將所需要的數(shù)據(jù)放置在共享內(nèi)存之中，以盡可能地減少對全局內(nèi)存的數(shù)據(jù)讀取。此外，采用了向量化訪存來提高訪存效率，通過循環(huán)展開來避免流水線阻塞提高指令并行度，進行參數(shù)調(diào)優(yōu)來獲得更好的并行能力和分塊配置參數(shù)。具體的性能表現(xiàn)如下。固定M為12288，K為4096，N變化。

2）針對GEMV算子。需要說明的是，GEMV可以視作GEMM的一種變體，當(dāng)B矩陣的n等于1時，則GEMM轉(zhuǎn)換為GEMV算子。GEMV是一個典型的訪存密集型算子，其優(yōu)化核心在于如何提高訪存效率，并掩蓋計算所需要的開銷。PerfXLLM通過向量化訪存來提高訪存效率，通過循環(huán)展開來避免流水線阻塞提高指令并行度。并且針對int4類型的GEMV，通過共享內(nèi)存來存儲zero和scale來減少對全局內(nèi)存的數(shù)據(jù)訪問。此外，對A矩陣的兩個維度進行分塊來提高并行性。使用Image類型來提高對于B向量的訪存性能。

以上一些披露的信息，表明了PerfXLLM已經(jīng)完成了整個計算系統(tǒng)架構(gòu)的設(shè)計，并將緊密跟隨大模型算法的更迭速度，這彌補了計算芯片迭代慢的弊端（>2年）。

四、未來規(guī)劃

4.1.更多的模型支持

4.2.支持更多的硬件

4.3.性能優(yōu)化

4.4.框架優(yōu)化