#TensorRT-LLM是NVIDIA為大型語言模型（LLM）所開發的可擴展推理方案。它基於TensorRT深度學習編譯框架建構、編譯和執行計算圖，並藉鑒了FastTransformer中高效的Kernels實作。此外，它還利用NCCL實現設備間的通訊。開發者可以根據技術發展和需求差異，客製化算子以滿足特定需求，例如基於cutlass開發客製化的GEMM。 TensorRT-LLM是NVIDIA官方推理方案，致力於提供高效能並不斷完善其實用性。
TensorRT-LLM在GitHub上開源，分成兩個分支：Release branch和Dev branch。 Release branch每月更新一次，而Dev branch會更頻繁地更新來自官方或社群中的功能，方便開發者體驗和評估最新功能。下圖展示了TensorRT-LLM的框架結構，除了綠色TensorRT編譯部分和涉及硬體資訊的kernels外，其他部分都是開源的。
TensorRT-LLM 也提供了類似Pytorch 的API 來降低開發者的學習成本，並提供了許多預先定義好的模型供用戶使用。
由於大語言模型的尺寸較大，可能無法在單張顯示卡上完成推理，因此TensorRT-LLM提供了兩種平行機制：Tensor Parallelism和Pipeline Parallelism，以支援多卡或多機推理。這些機制允許將模型分割成多個部分，並將其分佈在多個顯示卡或機器上進行平行計算，以提高推理效能。 Tensor Parallelism透過將模型參數分佈在不同裝置上，並同時計算不同部分的輸出來實現平行計算。而Pipeline Parallelism則將模型分割成多個階段，每個階段在不同裝置上並行計算，將輸出傳遞給下一個階段，從而實現整體
TensorRT-LLM是強大的工具，具有豐富的模型支援和低精度推理功能。 首先，TensorRT-LLM支持主流的大語言模型，包括開發者完成的模型適配，例如Qwen（千問），並已納入官方支援。這意味著用戶可以輕鬆地基於這些預先定義的模型進行擴展或定制，方便快速地應用到自己的專案中。 其次，TensorRT-LLM預設採用FP16/BF16的精確推理方式。這種低精度推理不僅可以提高推理性能，還可以利用業界的量化方法進一步優化硬體吞吐。透過降低模型的精確度，TensorRT-LLM可以在不犧牲太多準確性的前提下，大幅提升推理的速度和效率。 綜上所述，TensorRT-LLM的豐富模型支援和低精度推理功能使得它成為一個非常實用的工具。無論是對於開發者或研究人員來說，TensorRT-LLM都能夠提供高效的推理解決方案，幫助他們在深度學習應用中取得更好的表現表現。
另一個特性就是 FMHA(fused multi-head attention) kernel 的實作。由於 Transformer 中最耗時的部分是 self-attention 的計算，因此官方設計了 FMHA 來優化 self-attention 的計算，並提供了累加器分別為 fp16 和 fp32 不同的版本。另外，除了速度上的提升外，對記憶體的佔用也大大降低。我們也提供了基於 flash attention 的實現，可以將 sequence-length 擴展到任意長度。
如下為 FMHA 的詳細信息，其中 MQA 為 Multi Query Attention，GQA 為 Group Query Attention。
#
另外一個 Kernel 是 MMHA(Masked Multi-Head Attention)。 FMHA 主要用於 context phase 階段的計算，而 MMHA 主要提供 generation phase 階段 attention 的加速，並提供了 Volta 和之後架構的支援。相較於 FastTransformer 的實現，TensorRT-LLM 有進一步優化，效能提升高達 2x。
另一個重要特性是量化技術，以更低精度的方式實現推理加速。常用量化方式主要分為 PTQ(Post Training Quantization)和 QAT(Quantization-aware Training)，對於 TensorRT-LLM 而言，這兩種量化方式的推理邏輯是相同的。對於 LLM 量化技術，一個重要的特點是演算法設計和工程實現的 co-design，也就是對應量化方法設計之初，就要考慮硬體的特性。否則，有可能達不到預期的推理速度提升。
TensorRT 中PTQ 量化步驟一般分為以下幾步，首先對模型做量化，然後對權重和模型轉化成TensorRT-LLM 的表示。對於一些客製化的操作，也需要使用者自己編寫 kernels。常用的 PTQ 量化方法包括 INT8 weight-only、SmoothQuant、GPTQ 和 AWQ，這些方法都是典型的 co-design 的方法。
INT8 weight-only 直接把權重化到 INT8，但啟動值還是保持在 FP16。此方法的好處是模型儲存2x減小，載入 weights 的儲存頻寬減半，達到了提升推理效能的目的。這種方式業界稱為 W8A16，即權重為 INT8，激活值為 FP16/BF16——以 INT8 精度存儲，以 FP16/BF16 格式計算。此方法直觀，不改變 weights，容易實現，具有較好的泛化性能。
第二個量化方法是 SmoothQuant，是 NVIDIA 和社群共同設計的。它觀察到權重通常服從高斯分佈，容易量化，但是活化值存在離群點，量化比特位利用不高。
SmoothQuant 透過先對激活值做平滑操作即除以一個scale將對應分佈進行壓縮，同時為了保證等價性，需要對權重乘以相同的scale。之後，權重和活化都可以量化。對應的儲存和運算精度都可以是 INT8 或 FP8，可以利用 INT8 或 FP8 的 TensorCore 進行運算。在實作細節上，權重支援 Per-tensor 和 Per-channel 的量化，活化值支援 Per-tensor 和 Per-token 的量化。
第三個量化方法是 GPTQ，一種逐層量化的方法，透過最小化重構損失來實現。 GPTQ 屬於 weight-only 的方式，計算採用 FP16 的資料格式。此方法用在量化大模型時，由於量化本身開銷就比較大，所以作者設計了一些 trick 來降低量化本身的開銷，例如 Lazy batch-updates 和以相同順序量化所有行的權重。 GPTQ 也可以與其他方法結合如 grouping 策略。並且，針對不同的情況，TensorRT-LLM 提供了不同的實現最佳化效能。具體地，對 batch size 較小的情況，用 cuda core 實作；相對地，batch size 較大時，採用 tensor core 實作。
第四種量化方式是 AWQ。此方法認為不是所有權重都是同等重要的，其中只有 0.1%-1% 的權重（salient weights）對模型精確度貢獻較大，且這些權重取決於活化值分佈而不是權重分佈。此方法的量化過程類似 SmoothQuant，差異主要在於 scale 是基於活化值分佈計算所得的。
除了量化方式之外，TensorRT-LLM 另外一個提升效能的方式是利用多機多卡推理。在一些場景中，大模型過大無法放在單一 GPU 上推理，或者可以放下但是影響了計算效率，都需要多卡或多機進行推理。
TensorRT-LLM 目前提供了兩種平行策略，Tensor Parallelism 和 Pipeline Parallelism。 TP 是垂直地分割模型然後將各個部分置於不同的設備上，這樣會引入設備之間頻繁的資料通訊，一般用於設備之間有高度互聯的場景，如 NVLINK。另一種分割方式是橫向切分，此時只有一個橫前面，對應通信方式是點對點的通信，適合於設備通信頻寬較弱的場景。
最後一個要強調的特性是 In-flight batching。 Batching 是提高推理效能一個比較常用的做法，但在 LLM 推理場景中，一個 batch 中每個 sample/request 的輸出長度是無法預測的。如果依照靜態batching的方法，一個batch的延遲取決於 sample/request 中輸出最長的那個。因此，雖然輸出較短的 sample/request 已經結束，但是並未釋放計算資源，其時延與輸出最長的那個 sample/request 時延相同。 In-flight batching 的做法是在已經結束的 sample/request 處插入新的 sample/request。這樣，不但減少了單一 sample/request 的延遲，避免了資源浪費問題，同時也提升了整個系統的吞吐。
TensorRT-LLM 與TensorRT的使用方法類似，首先需要獲得一個預先訓練好的模型，然後利用TensorRT-LLM 提供的API 對模型計算圖進行改寫和重建，接著用TensorRT 進行編譯最佳化，然後儲存為序列化的engine 進行推理部署。
以Llama 為例，先安裝TensorRT-LLM，然後下載預訓練模型，接著利用TensorRT-LLM 對模型進行編譯，最後進行推理。
對於模型推理的調試，TensorRT-LLM 的調試方式與 TensorRT 一致。由於深度學習編譯器，即 TensorRT，提供的最佳化之一是 layer 融合。因此，如果要輸出某層的結果，就需要將對應層標記為輸出層，以防止被編譯器最佳化掉，然後再與 baseline 進行比較分析。同時，每標記一個新的輸出層，都要重新編譯 TensorRT 的 engine。
對於自訂的層，TensorRT-LLM 提供了許多 Pytorch-like 算子可協助使用者實作功能而不必自己編寫 kernel。如範例所示，利用 TensorRT-LLM 提供的 API 實作了 rms norm 的邏輯，TensorRT 會自動產生 GPU 上對應的執行程式碼。
如果使用者有更高的效能需求或TensorRT-LLM 並未提供實作對應功能的building blocks，此時需要使用者自訂kernel ，並封裝為plugin 供TensorRT-LLM 使用。範例程式碼是將 SmoothQuant 定制 GEMM 實作並封裝成 plugin 後，供 TensorRT-LLM 呼叫的範例程式碼。
關於效能、設定等細節都可以在官網看到，在此不做詳細介紹。該產品從立項開始一直與國內許多大廠都有合作。透過回饋，一般情況下，TensorRT-LLM 從效能角度來說是目前最好的方案。由於技術迭代、最佳化手段、系統最佳化等眾多因素會影響效能，且變化非常快，這裡就不詳細展開介紹 TensorRT-LLM 的效能資料。大家如果有興趣，可以去官方了解細節，這些表現都是可重現的。
################################################################################################################################################。 LLM 是一個推理成本很高、成本敏感的場景。我們認為，為了實現下一個百倍的加速效果，需要演算法和硬體的共同迭代，透過軟硬體之間 co-design 來達到這個目標。硬體提供更低精度的量化，而軟體角度則利用最佳化量化、網路剪枝等演算法，進一步提升效能。 #####################TensorRT-LLM，未來 NVIDIA 會持續致力於提升 TensorRT-LLM 的效能。同時透過開源，收集回饋和意見，提高它的易用性。另外，圍繞易用性，會開發、開源更多應用工具，如 Model zone 或量化工具等，完善與主流框架的兼容性，提供從訓練到推理和部署端到端的解決方案。 ################################################################################################################## #####Q1：是否每一次計算輸出都要反量化？做量化出現精度溢出怎麼辦？ ############A1：目前 TensorRT-LLM 提供了兩類方法,即 FP8 和剛才提到的 INT4/INT8 量化方法。低精確度如果 INT8 做 GEMM 時，累加器會採用高精確度資料類型，如 fp16,甚至 fp32 以防止 overflow。關於反量化，以 fp8 量化為例，TensorRT-LLM 最佳化計算圖時，可能動自動移動反量化結點，合併到其它的操作中達到最佳化目的。但對於前面介紹的 GPTQ 和 QAT，目前是透過硬編碼寫在 kernel 中，沒有統一量化或反量化節點的處理。 ############Q2：目前是針對具體模型專門做反量化嗎？ ############A2：目前的量化的確是這樣，針對不同的模型做支援。我們有計劃做一個更乾淨的api或透過配置項的方式來統一支持模型的量化。 ############Q3：針對最佳實踐，是直接使用 TensorRT-LLM 還是與 Triton Inference Server 結合在一起使用？如果結合使用是否會有特性上的缺失？ ############A3：因為有些功能未開源，如果是自己的 serving 需要做適配工作，如果是 triton 則是一套完整的方案。 ######
A4：關於量化性能可以私下聊，關於效果，我們只做了基本的驗證，確保實現的kernel 沒問題,並不能保證所有量化算法在實際業務中的結果，因為還有些無法控制的因素，例如量化用到的資料集及影響。關於 in-flight batching，是指在 runtime 的時候去偵測、判斷某個 sample/request 的輸出是否結束。如果是，再將它到達的 requests 插進來，TensorRT-LLM 不會也無法預告預測輸出的長度。
A5：我們會盡量提供 c runtime 和 python runtime 一致的接口，已經在規劃當中。先前團隊的重點在提升效能、完善功能上，以後在易用性方面也會不斷改善。這裡不好直接跟 vllm 的比較，但 NVIDIA 會持續加大在 TensorRT-LLM 開發、社群和客戶支援的投入，為業界提供最好的 LLM 推理方案。
以上是揭露NVIDIA大模型推理架構：TensorRT-LLM的詳細內容。更多資訊請關注PHP中文網其他相關文章！
