杨国强-以卓越性价比释放开放大模型潜能:TPU 上的推理优化全解 conv.docxVIP

杨国强-以卓越性价比释放开放大模型潜能:TPU 上的推理优化全解 conv.docx

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

以卓越性价比释放开放大模型潜能TPU上的推理优化全解

杨国强

:谷歌云/AIInfra架构师

目录

01TPU简介与版本演进

TPU的演进

02在TPU上部署开放模型的关键技术

推理架构图(框架:vllm/Max*/JetStream/Pathways)

InferenceServer

UserApplication

Query

HTTP/gRPCrequest

HTTP/gRPCresponse

PyTorchBasedLLM(llama,DeepSeek)

JAXBasedLLM(Gemma)

Diffusion

fvllm

g

Jetstream(MaxText)

sMaxDiffusion

Metrics

Hardware(TPU)

vllm简介

●目标:

○ 优化KV缓存内存利用率,实现高吞吐量模型服务●洞见:

○ 使用虚拟内存分页以减少内存浪费

vllmonTPU时间线ExecutorPerformance

Prefill Decode

Bottleneck

Optimization

Benefit新特性:

Prefilltokenredundancy

Multi-queryAttention(TPU-friendly)

Prefixcaching

Available

SlowKVcachewrites

Sparsecoreoffload+CacheLayoutRedesign

Fasterprefill/decode

Available

Noparallelisminprefill/decode

RaggedPagedAttention(TPU-friendly)

Chunkedprefill

Available

Multi-Lora

Available

Multimodalmodelsupport

Available

+PrometheusMetrics

Available

V1refactor

Available

Quantizedmodels

Available

APC(自动前缀缓存)

重复利用先前生成的计算结果,消除冗余处理。缓存在分层的内存中(HBM/主机内存)。

针对常见提示词前缀的重复请求减小TTFT提高吞吐量并最终达到降本增效的目的

典型的应用场景:多轮对话,针对技术文档/书籍或者视频的重复问答

缓存命中的业务场景下显著提升系统吞吐量

/GoogleCloudPlatform/vertex-ai-samples/blob/main/notebooks/community/model_garden/model_garden_advanced_features.ipynb

分块预填充(ChunkedPrefill)

连续批处理(ContinuousBatching)

03TPU硬件特性—和GPU有什么不同

v6epod支持万亿规模参数模型

Google’shigh-speedinterconnectmakesCloudTPUPodsAISupercomputer

All-reduce

byhardware

Aseasyasusing

asinglecomputer

VersatileandhighperformancemodelservingRangeofshapestomatchmodelsizeandcomplexity

16chips

16chipsVMShape Chips/Slice S

16chips

1 1

2x2 4

2x4 8

4x4 16

4x8 32

8x8 64

8x16 128

16x16 256

13BparamLLM

32.5BparamLLM

65BparamLLM

170BparamLLM

280BparamLLM

540BparamLLM

1TparamLLM

2TparamLLM

*GoogleInternalData.August2023.Batchsize=1.Multi-headattentionbaseddecoderonlylanguagemodels:prefixlength=2048,decodesteps=256,beamsize=32forsampling

OptimizedonvLLMfromDay1

Ironwood

7thGeneration

文档评论(0)

WZR1 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档