最高加速9倍！字節(jié)跳動(dòng)開(kāi)源8比特混合精度Transformer引擎（2）

量化技術(shù)

int8 量化的加速收益主要來(lái)自如下幾個(gè)方面：

1. GEMM 精度從 fp16 降低到 int8 后，計(jì)算時(shí)間縮短；

2. 自定義算子采用 int8 輸入輸出后，數(shù)據(jù)讀寫(xiě)時(shí)間縮短；

3. 梯度采用 int8 存儲(chǔ)后，多機(jī)之間通信時(shí)間縮短。

以 Transformer 模型為例，經(jīng)過(guò) LightSeq fp16 引擎加速后，自定義算子時(shí)間大大縮短，而 GEMM 時(shí)間占比提升到了 90% 左右，因此優(yōu)化的重點(diǎn)轉(zhuǎn)移到了 GEMM 提速。將 fp16 GEMM 替換為 int8 GEMM 不僅可以縮短 GEMM 時(shí)間，還可以減小前后算子的輸入輸出位寬，從而減小讀寫(xiě)數(shù)據(jù)的時(shí)間。最后多機(jī)訓(xùn)練的瓶頸主要在梯度的通信，將梯度量化為 int8 精度可以大大加快分布式訓(xùn)練的速度。

量化原理

為了彌補(bǔ)量化帶來(lái)的精度損失，通常需要用量化感知訓(xùn)練來(lái)模擬量化過(guò)程。如上圖所示，量化感知訓(xùn)練就是將 float GEMM 的兩個(gè) float 輸入分別做一遍量化和反量化（稱之為偽量化結(jié)點(diǎn)），離散化成分段的浮點(diǎn)數(shù)輸入，然后進(jìn)行 float GEMM 運(yùn)算。得到結(jié)果后再次進(jìn)行量化與反量化，得到最終的浮點(diǎn)數(shù)結(jié)果。而量化的過(guò)程是不可導(dǎo)的，因此需要用 STE 方法來(lái)估計(jì)量化參數(shù)的梯度。之所以量化感知訓(xùn)練中需要插入偽量化結(jié)點(diǎn)，然后用 float GEMM 去模擬量化過(guò)程，是因?yàn)?TensorFlow 和 PyTorch 等訓(xùn)練框架不支持 int8 GEMM。

而 LightSeq 量化訓(xùn)練直接采用 int8 GEMM 來(lái)真實(shí)還原量化過(guò)程，因此相比傳統(tǒng)的實(shí)現(xiàn)要更快，且更加節(jié)省顯存。在推理的時(shí)候，同樣采用離散化后的整數(shù)進(jìn)行 int8 GEMM 運(yùn)算，最后再反量化回浮點(diǎn)數(shù)結(jié)果。量化推理過(guò)程和量化訓(xùn)練完全一致，并且和傳統(tǒng)的量化感知訓(xùn)練是完全等價(jià)的。

量化位置

整個(gè)量化 Transformer 的網(wǎng)絡(luò)結(jié)構(gòu)如上圖所示，紅色箭頭表示需要加上量化和反量化結(jié)點(diǎn)的位置。

首先所有 int8 GEMM 的輸入和輸出都需要進(jìn)行量化。由于 int8 GEMM 的 shape 限制，部分 GEMM（例如注意力分?jǐn)?shù)的計(jì)算）仍然采用 float GEMM。此外第二層 FFN 的 GEMM 采用的是 int32 的輸出，因?yàn)樗?GEMM 輸入是 ReLU 激活函數(shù)的輸出結(jié)果，只包含正數(shù)，非對(duì)稱，因此如果采用 int8 輸出的 GEMM，將無(wú)法反量化為正確的浮點(diǎn)數(shù)結(jié)果。

然后所有的模型權(quán)重 weight 都需要存儲(chǔ)為 int8 類型，因此需要對(duì) weight 做量化。而權(quán)重 bias 參數(shù)量較小，無(wú)需量化，保留 float 精度反而可以提升模型效果。

最后需要對(duì) decoder 端的 cache 進(jìn)行量化。因?yàn)樵谕评頃r(shí)，decoder 端的 cache 需要頻繁進(jìn)行讀寫(xiě)，因此將 cache 量化為 int8 可以大大加快解碼的速度。

量化策略

將一個(gè)浮點(diǎn)數(shù)矩陣量化為 int8 整數(shù)矩陣有很多方法，LightSeq 采用的是對(duì)稱量化，即將正負(fù)數(shù)范圍對(duì)稱的浮點(diǎn)數(shù)區(qū)間等比例地映射到整數(shù)區(qū)間 [-127, 127] 上。

而實(shí)際上浮點(diǎn)數(shù)矩陣的數(shù)值范圍通常并不對(duì)稱，存在極少的離群值。如果直接按照離群值的范圍來(lái)量化矩陣，會(huì)影響到量化后的精度，所以需要先對(duì)矩陣進(jìn)行數(shù)值截?cái)唷?/span>

LightSeq 采用 PACT 方法進(jìn)行截?cái)郲6]，將截?cái)嗟姆秶?dāng)作模型可學(xué)習(xí)的參數(shù)，然后利用 STE 算法去估計(jì)參數(shù)的梯度，并進(jìn)行反向傳播優(yōu)化。根據(jù)實(shí)踐經(jīng)驗(yàn)，權(quán)重 weight 的初始截?cái)喾秶O(shè)為[-1, 1]，中間結(jié)果的初始截?cái)喾秶O(shè)為[-16, 16]，可以在大部分任務(wù)上達(dá)到最好的效果。最后經(jīng)過(guò)截?cái)喾秶推渌Ｐ蛥?shù)的聯(lián)合優(yōu)化，量化模型的效果可以達(dá)到基本無(wú)損。

梯度通信量化

針對(duì)分布式訓(xùn)練場(chǎng)景，LightSeq 推出了梯度量化壓縮技術(shù)。即對(duì)浮點(diǎn)精度的梯度進(jìn)行 int8 量化，以減少梯度通信的時(shí)間消耗，從而加速訓(xùn)練，這就是梯度通信量化（GCQ）。

如上圖所示，梯度通信量化的主要流程如下：

1. 計(jì)算每張卡上各自梯度的截?cái)喾秶?/span>

2. 對(duì)截?cái)喾秶鷪?zhí)行 all-reduce max 操作；

3. 每張卡使用統(tǒng)一的截?cái)喾秶鷮?duì)各自梯度進(jìn)行 int8 量化；

4. 對(duì) int8 梯度執(zhí)行 all-reduce sum 操作；

5. 每張卡對(duì) all-reduce 后的梯度進(jìn)行反量化，還原為浮點(diǎn)數(shù)梯度，并進(jìn)行參數(shù)更新。

為了解決 int8 梯度在 all-reduce 過(guò)程中溢出的問(wèn)題，LightSeq 首先將每張卡上的浮點(diǎn)數(shù)梯度除以卡數(shù)，再使用除之前的截?cái)喾秶M(jìn)行量化，最后進(jìn)行 all-reduce 操作。這樣每張卡上量化后的 int8 整數(shù) all-reduce 完就不會(huì)溢出，但是單卡實(shí)際用于量化的比特?cái)?shù)也因此而減少，所以目前方案在 2 機(jī) 8 卡效果幾乎無(wú)損，但隨著卡數(shù)的上漲，訓(xùn)練效果會(huì)有所下降。以 en2de 和 en2fr 翻譯任務(wù)為例，在 4 機(jī) 8 卡上進(jìn)行分布式量化訓(xùn)練，BLEU 值分別會(huì)下降 0.4 和 1.5 左右。未來(lái) LightSeq 將會(huì)持續(xù)探索更好的方法來(lái)解決這一問(wèn)題。

通用技術(shù)

除了上一章節(jié)中提到的量化技術(shù)以外，此次更新 LightSeq 還提出了幾種通用的優(yōu)化技術(shù)，不僅可以應(yīng)用在量化模型中，也適用于其它所有精度模型的訓(xùn)練與推理。

算子融合

上圖是 encoder 模塊量化訓(xùn)練的計(jì)算圖，LightSeq 將兩次 GEMM 運(yùn)算之間的所有操作融合成一個(gè)算子[7]，減少了 kernel 調(diào)用的次數(shù)，因此減少了總的計(jì)算時(shí)間。

圖中黃色矩形表示 int8 GEMM，綠色矩形表示 float GEMM。這里采用 float GEMM 是由于 shape 的限制，不適合使用 int8 GEMM 加速。紅色箭頭表示流動(dòng)數(shù)據(jù)的類型是 int8，綠色箭頭表示第二層 FFN 的 GEMM 輸出是 int32 數(shù)據(jù)類型。int8 GEMM 輸入輸出的量化與反量化操作都被融合到了前后 kernel 里，這不僅可以減少數(shù)據(jù)搬運(yùn)，還可以減小顯存占用。

在推理時(shí)，LightSeq 還針對(duì) decoder 做了優(yōu)化。如上圖所示，在計(jì)算 self-attention 時(shí)，注意力得分的維度是(batch size, 1, sequence length)。因此在計(jì)算 value 乘積時(shí)，可以不采用 GEMM 運(yùn)算，而直接手寫(xiě)加權(quán)求和的算子，從而將圖中虛線框中的計(jì)算融合成一個(gè) kernel。

自動(dòng)顯存管理

模型量化引入了更復(fù)雜的張量類型和張量依賴關(guān)系，這給顯存管理帶來(lái)新的挑戰(zhàn)。為此，LightSeq 設(shè)計(jì)了新的顯存管理機(jī)制。如上圖所示，主要包括以下過(guò)程：

1. 訓(xùn)練啟動(dòng)前，根據(jù)每個(gè)算子的拓?fù)湟蕾囮P(guān)系，自動(dòng)計(jì)算每個(gè)張量的生命周期及顯存空間大小。其中，包含動(dòng)態(tài)維度的張量按照此維度的最大量進(jìn)行計(jì)算，例如機(jī)器翻譯任務(wù)中的最大句長(zhǎng)和最大 batch 句子數(shù)量。這些最大量在訓(xùn)練前已被指定；

2. 張量確定生命周期和大小后，分析顯存復(fù)用關(guān)系。其中，無(wú)生命周期重合的張量可以共用一片顯存空間，所有顯存空間都是無(wú)數(shù)據(jù)類型的，可以被分配到任意數(shù)據(jù)類型的張量上；

3. 根據(jù)張量顯存復(fù)用關(guān)系，申請(qǐng)多段顯存空間，為每個(gè)張量分配實(shí)際的顯存起止地址。

張量顯存復(fù)用的分析，LightSeq 借鑒了論文 [3] 中提出的 Greedy by Size for Offset Calculation 方法，做了三個(gè)改進(jìn)：

1. 支持了整個(gè)訓(xùn)練過(guò)程的顯存復(fù)用（forward/backward）；

2. 不同數(shù)據(jù)類型能做到顯存復(fù)用（int8/fp16/fp32）；

3. 在多段顯存空間上容納所有張量，而非一段非常大的顯存空間，這樣能有效提升顯存利用率。

自動(dòng) GEMM 調(diào)優(yōu)

LightSeq 的 int8 GEMM 采用了 NVIDIA 的 cuBLASLt 庫(kù)，這也是目前 NVIDIA 顯卡上最為高效的矩陣運(yùn)算庫(kù)。但是輸入數(shù)據(jù)的 shape 或者顯卡不同的話，GEMM 所采用的最優(yōu)配置（例如數(shù)據(jù)排布、GEMM 算法等等）也可能不同，因此需要進(jìn)行自動(dòng)選取。LightSeq 采取的自動(dòng)調(diào)優(yōu)方案如下：

1. 在多種型號(hào)顯卡上（例如 T4 和 A100）進(jìn)行不同 shape 的 GEMM 最優(yōu)配置搜索，并將結(jié)果保存到配置文件中，用戶只需要下載即可；

2. 模型初始化時(shí)，加載對(duì)應(yīng)型號(hào)顯卡的配置文件，解析并保存到鍵值對(duì)為 (shape, 最優(yōu)配置) 的字典中。如果沒(méi)有對(duì)應(yīng)型號(hào)顯卡的配置文件，或者沒(méi)有需要的 GEMM shape，那么用戶可以選擇自己搜索并保存，或者直接使用默認(rèn)配置；

3. 模型前向或后向計(jì)算時(shí)，根據(jù)輸入的 shape 在字典中尋找最優(yōu)配置，然后進(jìn)行 GEMM 計(jì)算。如果沒(méi)有找到對(duì)應(yīng)的 shape，那么直接采用默認(rèn)的配置。

未來(lái)工作

未來(lái) LightSeq 還將繼續(xù)探索移動(dòng)端的低精度量化、反向傳播中梯度的量化、大模型量化等方向。

引用

[1] Wang, Xiaohui, et al. "LightSeq2: Accelerated training for transformer-based models on gpus." arXiv preprint arXiv:2110.05722 (2021).

[2] Micikevicius, Paulius, et al. "Mixed precision training." arXiv preprint arXiv:1710.03740 (2017).

[3] Pisarchyk, Yury, and Juhyun Lee. "Efficient memory management for deep neural net inference." arXiv preprint arXiv:2001.03288 (2020).

[4] Jacob, Benoit, et al. "Quantization and training of neural networks for efficient integer-arithmetic-only inference." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018.

[5] Alistarh, Dan, et al. "QSGD: Communication-efficient SGD via gradient quantization and encoding." Advances in neural information processing systems 30 (2017).

[6] Choi, Jungwook, et al. "Pact: Parameterized clipping activation for quantized neural networks." arXiv preprint arXiv:1805.06085 (2018).

[7] Wang, Xiaohui, et al. "LightSeq: A high performance inference library for transformers." arXiv preprint arXiv:2010.13887 (2020).