一行程式碼的威力到底有多大？今天我們要介紹的這個 Kernl 函式庫，使用者只需一行程式碼，在 GPU 上就能以快幾倍的速度運行 Pytorch transformer 模型，從而極大的加快了模型的推理速度。
具體而言，有了 Kernl 的加持，Bert 的推理速度比 Hugging Face 基準快了 12 倍。這項成果主要得益於 Kernl 以新的 OpenAI 程式語言 Triton 和 TorchDynamo 編寫了客製化的 GPU 核心。計畫作者來自 Lefebvre Sarrut。
GitHub 網址：https://github.com/ELS-RD/kernl/
以下是Kernl 與其他推理引擎的比較，橫座標中括號裡的數字分別表示batch size、序列長度，縱座標為推理加速情況。
基準測試在 3090 RTX GPU 運行，以及 12 核心 Intel CPU。
由上述結果可得，在長序列輸入這一塊，Kernl 可以說是最快的推理引擎（上圖中的右半部），在短輸入序列上接近英偉達的TensorRT（上圖的左半部）。除此之外，Kernl 內核程式碼非常簡短，易於理解和修改。該專案甚至添加了 Triton 偵錯器和工具 (基於 Fx) 來簡化核心替換，因此不需要修改 PyTorch 模型原始程式碼。
專案作者Michaël Benesty 對這項研究進行了總結，他們發布的Kernl 是一個用於加速transformer 推理的庫，速度非常快，有時會到達SOTA 性能，可破解以匹配大多數transformer 架構。
他們也在 T5 上做了測試，速度提高 6 倍，Benesty 表示這只是個開始。
在 Lefebvre Sarrut，專案作者在生產中運行幾個 transformers 模型，其中一些對延遲敏感，主要是搜尋和 recsys。他們也正在使用 OnnxRuntime 和 TensorRT，甚至創建了 transformer-deploy OSS 庫來與社區分享知識。
最近，作者在測試生成語言，並努力加速它們。然而事實證明，使用傳統工具要做到這些非常困難。在他們看來，Onnx 是另一種有趣的格式，它是一種針對機器學習所設計的開放式檔案格式，用於儲存訓練好的模型，具有廣泛的硬體支援。
但是，當他們處理新的LLM 架構時，Onnx 生態系統（主要是推理引擎）有以下幾個限制：
一個非常煩人的事實是新模型永遠不會被加速，你需要等著其他人來為此編寫自訂 CUDA 核心。現有解決方案並不是不好，OnnxRuntime 的一大優點是它的多硬體支持，TensorRT 則以非常快速著稱。
所以，專案作者想要在 Python/PyTorch 上有像 TensorRT 一樣快速的最佳化器，這也是他們創建 Kernl 的原因。
記憶體頻寬通常是深度學習的瓶頸，為了加速推理，減少記憶體存取往往是一個很好的策略。在短輸入序列上，瓶頸通常與 CPU 開銷有關，它必須被消除。專案作者主要利用了以下3 項技術：
首先是OpenAI Triton，它是一種編寫CUDA 等GPU 核心的語言，不要將它與Nvidia Triton 推理伺服器混淆，它的效率更高。幾個操作的融合實現了改進，使得他們不在 GPU 記憶體中保留中間結果的情況下連結計算。作者使用它重寫注意力（由 Flash Attention 取代）、線性層和激活以及 Layernorm/Rmsnorm。
其次是 CUDA 圖。在預熱（warmup）步驟中，它將保存每個啟動的核心及它們的參數。然後，專案作者重建了整個推理過程。
最後是 TorchDynamo，這個由 Meta 提出的原型機幫助專案作者應對動態行為。在預熱步驟中，它會追蹤模型並提供一個 Fx 圖（靜態計算圖）。他們使用自己的核心替換了 Fx 圖的一些操作，並在 Python 中重新編譯。
未來，專案路線圖將涵蓋更快的預熱、ragged 推理（padding 中沒有損失計算）、訓練支援（長序列支援）、多GPU 支援（多並行化模式）、量化（PTQ）、新batch 的Cutlass 核心測試以及提升硬體支援等。
更多詳細內容請參閱原始項目。
以上是OpenAI程式語言加速Bert推理12倍，引擎備受關注的詳細內容。更多資訊請關注PHP中文網其他相關文章！
