国人主导的开源项目，斩获 3700 个 GitHub Star！

公众号关注 “GitHubDaily”

设为 “星标”，每天带你逛 GitHub！

大家好，我是小 G。

伴随着深度学习模型规模的指数型增长，常见的单卡推理解决方案已然无法满足前沿 AI 大模型的推理需求。例如 1750 亿参数的 GPT-3 模型，仅仅是加载模型参数就需要数百 GB 的存储空间，远超单个 GPU 的容纳能力。

因此，对于 AI 大模型使用多卡并行的方式进行推理已成为必然选择。

针对现有推理系统的这一痛点，Colossal-AI 团队以 “高性能、高可用、可伸缩” 的理念，深入单实例多设备推理场景，开发了大模型推理系统 Energon-AI，在性能和易用性上兼具优势：

仅需对现有项目进行极少量修改，用户便可完成自定义大模型的推理部署，获得并行扩展的超线性加速，对于 AI 大模型分布式推理加速，相比英伟达 FasterTransformer 可提升 50% 以上。

相比现有推理方案，Energon-AI 不再需要用户对通信、内存等各部分协作进行手动管理，也无需额外编译，大幅降低了用户的使用门槛。

GitHub 地址：https://github.com/hpcaitech/ColossalAI

AI 大模型推理部署的困难

模型参数的迅速增长 [https://arxiv.org/abs/2111.14247]

近年来，计算设备（如 GPU）的并行计算能力、内存容量，内存速度等都得到了极大的增强，然而，单设备纵向扩展（scale up）的性能增益在面对指数型增长的模型规模时，仍难以满足大模型的内存与性能需求。而当前的深度学习推理系统，主要面向多实例单设备以及单实例单设备的简单推理场景，忽视了 AI 大模型推理所需要的单实例多设备的挑战与机遇，Energon-AI 系统正是为了解决这一痛点而生。

Energon-AI 系统设计

Energon-AI 超大模型推理系统示意图

面向 AI 大模型部署，我们设计了单实例多设备推理系统 Energon-AI。Energon-AI 系统设计分为三个层次，即运行时系统（Runtime）、分布式推理实例 (Engine) 以及前端服务系统（Serving）：

• Runtime：在运行时系统设计过程中我们发现，当模型规模不断增大，通用矩阵乘的时间占比逐渐增大，而访存密集型算子与 Kernel Launch 的时间占比则逐渐降低，推理过程进一步从访存密集型向计算密集型方向迁移，TensorRT 以及专用推理系统对访存密集型操作的优化效果被极大削减。Energon-AI Runtime 依赖于 Colossal-AI 实现张量并行，同时设计了流水线并行包装方法用于显存不足的情况。此外，我们引入了大量推理专用算子及方法。如，面对 NLP 中输入变长的特点，我们引入了 transpose_padding_rebulid 与 transpose_padding_remove 等算子用以高效支持 Encoder 和 Decoder 模型中 MLP 层的冗余计算消除方法。

• Engine：单设备推理中程序有相同的数据入口与出口，分布式训练的主要目标是模型参数，因此无须对多个进程的输入输出进行管理，而多设备推理则不同。我们希望通过良好的封装使得 Engine 具有与单设备推理完全相同的行为。我们采用了半中心化方法，主进程中使用 RPC 在每个设备调用初始化或推理方法，使得分布式推理可以得到中心化的控制，同时每个设备则保有自己的 Tensor Parallel 与 Pipeline Parallel 通信逻辑。我们在每个进程中设计并维护了分布式消息队列，用以保证多个进程中多线程调用执行的一致性。

• Serving：针对用户请求分散和变长的特点及大模型推理对 GPU 并行运算的依赖之间的矛盾，Energon-AI 引入了动态 Batching 机制，将请求队列中的请求按照机器性能进行最优打包后，根据等候时间、batch 大小、batch 的扩展可能性（根据 padding 后的句子长度）等挑选优先级最高的 batch 处理，最大化 GPU 使用率的同时规避饥饿问题，减小平均请求时延。

Batch 管理流程示意图

性能测试

并行推理超线性扩展

张量并行可扩展性测试结果展示。硬件环境：8 * A100 GPU 80GB。由于单设备显存无法满足 GPT-3 推理需求，此处为 GPT-3 12 层的测试结果，设置句长为 Padding 的 1/2。

Energon-AI 八卡并行推理在 Batch Size 为 32 时，相比于单卡 Pytorch 直接推理，可获得 8.5 倍的超线性加速。

运行时推理性能提升 50%

张量并行运行时系统推理时延对比。硬件环境：8 * A100 GPU 80GB。

设置句长为 Padding 的 1/2。GPT-3-24-Layers for TP=2, GPT-3-48-Layers for TP=4。

我们选择高度优化的英伟达 FasterTransformer GPT-3 作为对比方案。FasterTransformer 在其 4.0 版本中推出了分布式推理特性，目前支持 GPT-3 模型的分布式推理，但由于其纯 C++ 代码高度耦合的特点，灵活度与易用性相对较低。此外，对于 NLP 推理输入句长不同的特点，其分布式推理无冗余计算消除功能。

对于 GPT-3 模型，Energon-AI 的运行时系统在 Batch Size 为 1 时性能略低于 FasterTransformer，而在 Batch Size 较大时能够实现超过 50% 的性能提升。

Dynamic Batching 吞吐量增加 30%

Dynamic batching 与直接打包 batch 吞吐量对比。硬件环境：8 * A100 GPU 80GB。测试使用的模型为 GPT-3, 测试句长为 256 以内随机生成，padding 策略为 batch 内最长 padding。

我们模拟真实场景下多用户同时发送大量变长推理请求的情况，将我们的动态 batch 规划方法与传统的 FIFO (先入先出) 队列打包方法进行了吞吐量对比。由于 dynamic batching 的算法缓解了直接 padding 造成的大量冗余计算问题，在该策略下 dynamic batching 的吞吐量实现了 34.7% 的提升。

易用性

from gpt import gpt3
from gpt_server import launch_engine

# for engine
model_class = gpt3
model_type = "gpt"
host = "127.0.0.1"
port = 29400
half = True
backend = "nccl"

# for parallel
tp_init_size = 4
pp_init_size = 2

# for server
engine_server = launch_engine
server_host = "127.0.0.1"
server_port = 8020
rm_padding = True

energonai service init --config_file=gpt_config.py

在追求性能的同时，Energon-AI 希望保持系统使用的灵活度与易用性，用户仅需自定义【并行模型】、【并行参数】以及【服务请求逻辑】加入到配置文件中，即可启动推理服务。目前，我们提供了最常见的 GPT、BERT 和 ViT 模型作为示例，更详尽的教程将会在近期完善。

在构建新的并行模型时，Energon-AI 使用 Python，且使用方式与 Pytorch 相似，有层的概念且初始化与执行逻辑清晰，用户无需考虑内存管理，并行通信等行为。如下代码展示了两层 Linear 层组成的模型并行运行的完整代码。

class MLP(nn.Module):
   def __init__(self, dim, dtype, bias):
       


    
super().__init__()
       self.dense_0 = Linear1D_Col(dim, dim, dtype=dtype, bias=bias, gather_output=False)
       self.dense_1 = Linear1D_Row(dim, dim, dtype=dtype, bias=bias, parallel_input=True)
   def forward(self, x):
       x = self.dense_0(x)
       x = self.dense_1(x)
       return x

与之相对，在构建新的并行模型时，FasterTransformer 需要使用 C++ 代码并且需要用户自行进行内存管理，定义通信等底层行为组织。

受篇幅限制，如下代码展示两层 Linear 层模型并行运行的内存管理，具体执行，通信的部分代码。

除此之外，用户想要代码正确执行，还需要花费大量时间精力对内存管理、执行逻辑、通信行为之间的配合进行调试，C++ 代码还需要额外编译工作。这些都对用户的并行知识与编程能力提出了严峻挑战。

// Memory Allocation (only for a single paramerter).
T *d_inter_kernel = NULL
param_.ffn.intermediate_weight.kernel = d_inter_kernel;
device_malloc(&d_inter_kernel, dim * dim);

// Two MLP Layers
cublasMM_cublasLtMM_wrapper(param_.cublaslt_handle, param_.cublas_handle, CUBLAS_OP_N, CUBLAS_OP_N, n, m, k, &alpha, param_.ffn.intermediate_weight.kernel, AType_, n, attr_matmul_buf_, BType_, k, &beta, (DataType_ *)inter_matmul_buf_, CType_, n, param_.stream, cublasAlgoMap_, sm_, cublas_workspace_);

add_bias_act_kernelLauncher<DataType_>(inter_matmul_buf_, param_.ffn.intermediate_weight


    
.bias, m, n, ActivationType::GELU, param_.stream);
     
n = k;

cublasMM_cublasLtMM_wrapper(param_.cublaslt_handle, param_.cublas_handle, CUBLAS_OP_N, CUBLAS_OP_N, n, m, k, &alpha, param_.ffn.output_weight.kernel, AType_, n, inter_matmul_buf_, BType_, k, &beta, (DataType_ *)(param_.transformer_out), CType_, n, param_.stream, cublasAlgoMap_, sm_, cublas_workspace_);

add_bias_input_layernorm_kernelLauncher<DataType_>(param_.transformer_out,                                                             attr_matmul_buf_, param_.ffn.output_weight.bias, param_.ffn_layernorm.gamma, param_.ffn_layernorm.beta, m, n, param_.stream);
                                                           
// Communication
if(t_parallel_param_.world_size > 1)
{
   all2all_gather(nccl_logits_buf_, nccl_logits_buf_, local_batch * n, t_parallel_param_, decoding_params.stream);
}

更多特性

本次发布的 Energon-AI 子系统为 beta 版，近期会根据用户反馈与既定计划，进行密集的迭代更新，尽早为用户提供正式版，充分满足用户的不同推理部署需求，欢迎向 Energon-AI 提出您的需求与建议。

构建 AI 大模型生态系统

面对 AI 大模型的时代浪潮，除了本次新增的推理部署特性，针对现有大模型训练方案并行维度有限、效率不高、通用性差、部署困难、缺乏维护等痛点，Colossal-AI 通过高效多维并行和异构并行等技术，让用户仅需极少量修改，即可高效快速部署 AI 大模型训练。

例如对于 GPT-3 这样的超大 AI 模型，相比英伟达方案，Colossal-AI 仅需一半的计算资源，即可启动训练；若使用相同计算资源，则能提速 11%，可降低 GPT-3 训练成本超百万美元。

对于蛋白质结构预测应用 AlphaFold，基于 Colossal-AI 的加速方案的 FastFold，成功超越谷歌和哥伦比亚大学的方案，将 AlphaFold 训练时间从 11 天减少到 67 小时，且总成本更低，在长序列推理中也实现 9.3～11.6 倍的速度提升。

Colossal-AI 兼容低端设备，在仅有一块 GPU 的个人 PC 上便能训练高达 180 亿参数 GPT；普通的笔记本电脑，也能训练十几亿参数的模型，相比现有主流方案，可提升参数容量十余倍，大幅度降低了 AI 大模型微调和推理等下游任务和应用部署的门槛。

Colossal-AI 注重开源社区建设，提供中文教程，开放用户社群及论坛，对于用户反馈进行高效交流与迭代更新，不断添加等前沿特性。

自然开源以来，Colossal-AI 已经多次登上 GitHub 热榜 Python 方向世界第一，与众多已有数万 star 的明星开源项目一起受到海内外关注！

在反映机器学习领域热点的 Papers With Code 网站上，Colossal-AI 也广受关注，荣登热榜第一。

传送门

项目地址：https://github.com/hpcaitech/ColossalAI