- 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、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、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、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 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、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、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
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
您可能关注的文档
最近下载
- 贵州省贵阳市普通中学2024-2025学年高二上学期期末监测数学试题(含答案解析).docx
- 部编八年级道德与法治上册第四单元《维护国家利益》单元练习题.doc VIP
- 24.5.13病历真实性的专家共识.pdf VIP
- 国家开放大学,02944养牛技术,实验实习2.docx VIP
- 《神经传导通路》课件.ppt VIP
- 【麦职金本事】初级会计实务考前专享模拟卷 (1).docx VIP
- 光伏电站运营维护管理方案.docx VIP
- 初中语文阅读理解《父亲的背影》含答案.docx
- AOSMITH史密斯美容软水机 全屋美容软水机S12K1用户手册说明书.pdf
- 海外投资项目可行性研究报告模板.docx VIP
原创力文档


文档评论(0)