facebook怎么建设网站现在推广引流什么平台比较火

接上一篇高效训练，这一篇汇总下高效推理的方法。高效推理的两个主要优化目标是低延迟（快速得到推理结果）和高吞吐量（能同时处理很多请求），同时还要尽可能地少用资源（算力、存储、网络带宽）。

如果要说高效训练和高效推理哪个更重要，从产生的效益来说，应该说高效推理更重要，因为模型训练出来最终都是要用来推理使用的。整个生态产业中，训练基座大模型的就那么多家，训练出来更多时间也是对外提供推理服务；具体一个企业中，训练或者微调完模型后，多数时间也是在业务场景中使用推理。

高效推理如此重要，少不了学者们已经总结了综述文章，本文主要基于两篇综述文章，取其精华，从不同的分类角度全面概括高效推理的方法。目前Transformer结构基本一统大模型江山，多数高效推理方法均针对Transformer模型结构。

1

综述一

来自于2023年12月卡莱基梅隆大学的《Towards Efficient Generative Large Language Model Serving:A Survey from Algorithms to Systems》，是一个比较简洁版的综述，从机器学习系统研究的角度，分类如下：

图1. LLM推理技术分类，来源[1]

总体分为模型算法、系统优化两个大类，由于第二篇综述在此基础上增加了数据维度，更全面，我们只从本综述挑选亮点分部分介绍。

1.1 Decoder算法优化

对Decoder算法优化的总结，如下图2。大模型中最常见的是只有解码器的Decoder-Only结构，解码器中最常见的是自回归模型，见图中（a），每一时刻由上一token预测下一token，每一次预测由于attention计算都要消耗大量的资源，优化Decoder就是要想办法减少资源消耗，提高计算效率，包括图中后面四种方法。

图2. 大模型Decoder算法分类，来源[1]

前排提示，文末有大模型AGI-CSDN独家资料包哦！
Non-autoregressive decoding

token不再是一个一个预测出来，一次预测多个或者并行预测多个tokens，该方法假设前后token之间有一定的条件独立性。当前该方法比自回归方法速度更快，但可靠性还是比自回归方法低。

Early exiting

每次预测下一个token不一定计算完整的Transformer层，根据不同的情况提前退出得到预测的token，以便减少计算量，但该方法可能导致预测准确率下降。

Speculative decoding

用一个小模型预测token（只是其中一种方式），这样出结果快，同时用原始大模型验证结果，不对就纠正，LLM计算量没有变，但验证的时候可以并行计算节约时间。

Cascade inference

将共享前缀的 KV Cache 存到共享内存中，读一次共享前缀的 KV Cache 即可，具有独特的后缀部分保持原来的计算逻辑，最终共享前缀和独特的后缀部分的各自的部分 attention 结果合并起来，得到最终的 attention 结果。

1.2 开源推理工具

市面上主要的开源推理工具，考察支持的指标包括：

**并行计算方式：**张量并行、流水线并行、计算资源是否offload到系统CPU或者内存上。

**Iteration Scheduling：**对要推理的数据如何有效的安排调度，从比较粗的Request粒度到更细的Iteration粒度，例如根据数据长度进行拼凑，先推理一批，剩下的再推理，尽量利用满GPU资源。

**Attention内核计算方式：**不同的计算方法，例如著名的Paged Attention。

**优先考虑的目标：**低延迟Low Latency还是高吞度High Throughput。

列表中目前最流行的应该是vLLM，不过大模型领域发展很快，各个工具支持的功能在迭代中会不断完善，这个统计很快会不准，而且新工具会不断出来。

图3. 开源推理工具，来源[1]

2

综述二

接下来重点说综述二，时间上2024年7月也比综述一新，内容上更全面、更有时效性，来自清华大学等的《A Survey on Efficient Inference for Large Language Models》，本文仍然基于主流Transformer模型结构讨论。

2.1 方法分类

图4. LLM高效推理优化方法分类，来源[2]

这个分类方法很熟悉，和我们上一篇总结高效训练方法逻辑一样，或者说模型领域好多事情都是按照数据、模型、算力三个维度划分的，这里的Data-level包括输入数据的压缩和输出数据的优化组织，Model-level包括模型结构优化和模型压缩，System-level包括推理引擎和服务系统优化，和算力维度对应，如何有效利用算力。

2.2 整体视角

基于Transformer通过Decoder解码器一个一个token输出的方式，以及现在使用KV Cache的事实标准，推理可以分为两个阶段：

• 预填充阶段（Prefilling）：使用初始token和KV Cache计算输出第一个token；

• 解码阶段（Decoding）：不断更新KV Cache，由上一token预测下一token。

这样划分的原因是影响两个阶段效率的因素和效率表现不一样。按这个方式划分后，要提高推理效率，可以分解为如何提高获取第一个输出token效率、以及解码阶段的效率，评估指标也可以分解为如何降低第一个token输出的时间、后续token输出时间。

此外，整体上核心影响模型高效推理的三个因素是：

• 模型大小

• Attention计算

• Decoder解码方式

2.3 数据维度优化

2.3.1 输入压缩

图5. 输入压缩，来源[2]

输入大模型进行推理的内容都叫Prompt提示词，输入数据压缩就是减少Prompt长度，从而降低模型的计算量。

• **Prompt Pruning：**提示剪枝，剪掉无用或者重复的token、句子或者文档，例如使用小模型来计算内容的相似性、决定剪掉哪些内容。

• **Prompt Summary：**提示摘要，对长的提示词内容提取核心的摘要，减少输入长度。

• **Soft Prompt：**Soft Prompt指的是一个可学习的连续的token序列，通过不同的技术把原始的长的Fix Prompt变为短的Soft Prompt。

• **RAG：**这个概念想必只要是关心大模型应用的同学都多少有了解，即把知识存入知识库，推理的时候从知识库检索相关的知识，再输入大模型推理使用，这样只输入需要的知识，也算是尽量减少无关输入。

2.3.2 输出结构优化

与其让大模型不加约束地输出，不如指定一些输出格式要求，更符合想要的内容，也能提高输出效率。

Skeleton-of-Thought (SoT)是最基础和重要的一个技术，分为两阶段，第一阶段让大模型输出问题的骨架，第二阶段让大模型扩展骨架中的每个点，然后把所有扩展后的内容组合起来得到最后的输出，这样输出的内容都是想要的，没有垃圾数据。

图6. SoT样例，来源[2]

SoT的一个例子如图6，问大模型典型的中国菜，第一步先列出名称，第二步再对第一步中每个名称进行扩展解释，这样输出结构化，清晰明了，没有无用的废话。

在SoT基础上还发展了其他技术SGD、APAR。目前一个很流行的推理框架SGLang，定义了领域相关的语言，可以分析不同生成内容之间的依赖，来控制最终的输出。SGLang的功能很多，不只是输出优化上，有兴趣的可以单独作为一个主题学习。

2.4 模型维度优化

2.4.1模型结构优化

图7. 模型结构优化，来源[2]

大家一提到算法设计都会想到模型结构的设计，虽然大模型主体都使用Transformer，具体细节上还是有改进空间。Transformer内部主要包括Attention和FFN计算。

FFN优化主要使用Mixture-of-Experts (MoE) 方法，系统含多个专家模型，根据不同输入需求决定使用哪个专家模型。优化的领域包括如何构建专家模型、不同专家模型之间如何路由选择、如何训练MoE。

Attention优化有著名的Multi-Query Attention（MQA），然后发展到基于组的GQA，是工程中非常有效果的方法，后面我们会单独说一下。此外还有以降低Attention计算复杂度为目标的方法，包括基于核函数（把Q、K、V的计算映射到核函数）和低秩分解（K、V分解到更低的低秩空间）。

更换Transformer结构，按照历史发展规律来说，Transformer总有被替换的一天，所以探索新的网络结构也很有必要，当前主要有SSM和RWKV。

2.4.2 模型压缩

图8. 模型压缩，来源[2]

模型压缩在高效推理中有明显的效果，我们选量化和蒸馏重点说说，每一个都是大的知识点。

量化

把模型权重和激活从高精度比特位数转换到低精度，一般地，从训练后保存的FP16或者FP32精度量化为Int8、Int4或其他低精度，极大减少计算量和存储空间，关于不同精度可以参考我专门写的文章彻底理解系列之：FP32、FP16、TF32、BF16、混合精度

量化公式如下，其中S表示缩放因子，Z为量化后的零点，N为比特位数。

根据量化进行的时间，可分为模型训练后量化PTQ和训练中量化QAT，量化对象分为只量化模型权重、或者量化权重加激活。

蒸馏

把大的模型蒸馏为小模型，大模型当老师，小模型是学生，让小模型尽可能达到老师的水平，同时达到减少模型参数的目的，包括白盒知识蒸馏和黑盒知识蒸馏。

图9. 白盒和黑盒知识蒸馏，来源[2]

白盒蒸馏会进入老师模型结构和参数进行蒸馏，黑盒蒸馏不关心老师模型结构和参数，两种方法的学生模型都会通过训练学习老师模型的logits输出。以二分类问题为例简要说一下蒸馏原理，如果输入数据X，标签为0或者1，通过老师模型训练得到模型A，再次把输出X传入模型A，得到的其实是0到1之间的logits值，并不是0或者1，学生模型直接学习输入X和输出的logits，尽量去模仿老师模型。

**2.5 系统维度优化
**

2.5.1 推理引擎优化

图10. 推理引擎优化，来源[2]

推理引擎优化是为了提高模型前向计算的速度，如图10，其包含了计算图和算子优化、Offloading和Speculative Decoding。综述一把Speculative Decoding放在了算法优化中，我觉得更合理，它主要体现了解码器算法的优化。Offloading比较好理解，是当GPU及其存储不够用时，部分任务转移使用系统的CPU和内存。我们重点看看图和算子优化。

图优化主要指算子融合，把多个算子融合为一个，优点：减少内存访问、减少算子加载时的开销、减少算子依赖从而提高计算并行度。例如FlashAttention把attention操作融合实现在一个单独内核中。

Attention算子优化，除了FlashAttention的算子融合，FlashDecoding致力于最大化Decoding计算的并行性。加之现在用上KV Cache技术后，加快了Attention计算，在Attention算子优化之外，线性算子运算花费的时间比Attention还多，所以优化线性算子很迫切。线性算子基本的实现方法是 General Matrix-Matrix Multiplication (GEMM)，即矩阵相乘，其改进的一个方法是 General Matrix-Vector Multiplication (GEMV) ，矩阵和向量相乘，根据不同的形状具体优化，减少内存访问，提高数据复用率，让处理器尽可能满负荷地工作。

2.5.2 服务系统优化

图11. 服务系统优化，来源[2]

服务系统优化的目标主要是提高异步处理的效率。

内存管理关键是对KV Cache的存储和使用优化，主要的方法是vLLM的PageAttention，借鉴分页管理内存的方法来管理KV Cache。

Continuous Batching是把多个请求根据其数据长短等特点组装到一个batch里，缩短计算时间。例如把长的Prefilling请求数据切分开，和多个短的Decoding请求数据放在一个batch里。

Scheduling指的是如何有效安排收到的推理请求，提高系统的吞吐量，比如最简单的先到先处理，或者文章中提到的DeepSpeed-FastGen优先处理Decoding请求等，以及其他各种方法。

分布式系统是传统IT比较成熟的思想和方案，大模型中主要特点在于如何对多GPU进行分布式计算，另外模型推理可分为Prefilling和Decoding阶段，二者可以解耦然后进行粒度更细的分布式计算，这个也是当前比较热门的课题。

除了以上所有优化方案之外，还有硬件加速方案，不是本文讨论重点。

最后是常见推理工具优化功能的支持对比和性能对比。

3

一点体会

在高效训练一文中，我们解释了训练和推理阶段的不同，高效处理的方法也不一样，但训练的前向计算和推理绝大部分是相同的，所以二者都有可以共同使用的方法，比如：张量并行、Flash Attention、算子融合、低精度等。

综述一、二中有的方法偏理论，在工程中不一定好实践，比如基于核函数降低空间维度的attention。实际应用中还是有倾向性使用一些好实现并且效果明显的，或者推理工具已经现成支持的，本节对使用频率高的方法再抽出来说说。

KV Cache绝对是数一数二重要的方法，通过Cache存储KV值，大大减少重复计算量，节约计算时间。在讲多头注意力的文章彻底理解Transformer自注意力、多头注意力MHA、KV Cache、MQA、GQA时，有朋友建议增加解释为什么是KV Cache，不是Q Cache、QK Cache或者其他Cache，在此完善解释一下。t时刻计算attention时，公式如下：

其中S是softmax，可看出只用到了t时刻的Q，但用到了t时刻以及之前的所有K和V，所以之前的K、V需要Cache，而Q每次使用当前时刻的，不需要Cache。

量化是比较独立且好实施的方法，各种精度的量化技术比较成熟，并且量化后使用的算力和存储减少都能看到立竿见影的效果。

其他方法，看各种工具的支持情况，选择适合自己场景的就是最好的。