随着大语言模型 (Large Language Model, LLM) 的规模越来越大，在生产环境部署和使用这些模型来进行推理也变得越来越具挑战性。为应对这些挑战，无论硬件还是软件，都经历了多次创新。
下面，我们将一同探索如何有效克服这些挑战。
BLOOMZ 简介
BLOOM[3]是一个拥有 1760 亿参数的自回归模型，训练后可用于生成文本序列。它可以处理 46 种语言和 13 种编程语言。
作为 BigScience[4]计划中的一个开放科学项目，BLOOM 的设计和训练吸引了世界各地众多研究人员和工程师的共同参与。
BLOOMZ[5]是最近发布的、与 BLOOM 架构完全相同的模型，它是 BLOOM 基于多个任务的调优版本，具有更出色的泛化和零样本[6]能力。
无论是训练[7]还是推理[8]场景，这类大模型都对内存和速度提出了新挑战。
即便使用 16 位精度，一个实例所需的内存仍高达 352 GB！目前具有如此大内存的设备可能很难找到，但像 Habana® Gaudi®2 这样的先进硬件却足以让 BLOOM 和 BLOOMZ 模型以更低的时延执行推理。
Habana® Gaudi®2
Gaudi®2 是 Habana Labs 设计的第二代 AI 硬件加速器。单个服务器包含 8 张加速卡（称为 Habana 处理单元，即 Habana Processing Unit，简称为 HPU），每张卡内存高达 96 GB，可提供足够的空间来容纳大模型。
然而，如果计算速度很慢，那么为大模型提供大内存的意义也不大。所幸，Gaudi®2 的计算速度也非常出色。
Gaudi®2 与 GPU 的主要区别在于它的架构能让加速器并行执行通用矩阵乘法 (GeMM) 和其他运算，从而加快深度学习工作流。这些特性使 Gaudi®2 成为 LLM 训练和推理的理想选择。
Habana 的 SDK SynapseAITM支持使用 PyTorch 和 DeepSpeed 来加速 LLM 训练和推理。SynapseAI 图形编译器[9]可优化图形中所累积的操作的执行（如算子融合、数据布局管理、并行化、流水线、内存管理、图优化等）。
此外，SynapseAI 最近引入了对 HPU Graph[10]和DeepSpeed-inference[11]的支持，这两者都非常适合时延敏感型应用（参见下文基准测试）。
以上所有功能均已集成至 Optimum Habana[12]库，因此在 Gaudi® 上部署模型非常简单。
访问此链接https://huggingface.co/docs/optimum/habana/quickstart，查看快速入门页面。
如欲试用 Gaudi®2，请登录英特尔® Developer Cloud[13]并按照本指南[14]操作。
基准测试
本节将提供 BLOOMZ 在 Gaudi®2 和第一代 Gaudi® 上的基准测试结果。
虽然 Gaudi®2 和第一代 Gaudi® 的内存都不小，但由于模型过大，单个设备仍无法容纳单个 BLOOMZ 实例。
为解决这一问题，本文使用了深度学习优化库 DeepSpeed[15]来实现多种内存和速度优化，进而加速模型推理并使模型与设备适配。
本文方案需依赖 DeepSpeed-inference[16]：它引入了诸如模型（或流水线）并行[17]等多个功能特性，可充分利用可用设备。
对于 Gaudi®2，则使用了已添加 HPU 支持的 Habana 的 DeepSpeed[18]分支。
时延
本文基于两种不同规模但参数均达数十亿的 BLOOMZ 模型（批大小为 1 个样本）进行了实验测试，两种模型的参数大小分别为：
- 1760 亿[19]参数 (BLOOMZ-176B)
- 70 亿[20]参数 (BLOOMZ-7B)
本文使用 DeepSpeed-inference 以 16 位精度在 8 个设备上运行推理，并且使用 key-value 缓存。值得注意的是，尽管 CUDA Graph 目前与 DeepSpeed 中的模型并行不兼容（DeepSpeed v0.8.2，参见文末[21]），但 Habana 的 DeepSpeed 分支是支持 HPU Graph 的。
所有基准测试都使用贪心搜索 (Greedy Search)[22]生成 100 个词元。输入提示为：
DeepSpeed is a machine learning framework
BLOOM 分词器会将该提示分为 7 个词元。
推理时延测试结果如下图所示（单位为秒）：
△图 1. BLOOMZ 在 Gaudi®2 和第一代 Gaudi® 上的推理时延测试结果
Habana 团队最近在 SynapseAI 1.8 中引入了 DeepSpeed-inference 支持，可快速赋能 1000 多亿参数模型的推理。
根据图 1 测试结果可知：对于参数量达 1760 亿的模型 BLOOMZ，Gaudi®2 性能表现出色，时延仅为约 3.7 秒 ；对于参数量为 70 亿的较小模型 BLOOMZ-7B，Gaudi®2 的时延优势更加显著，单设备约为第一代 Gaudi® 的37.21%，而当设备数量都增加为 8 后，这一百分比进一步下降至约 24.33%。
Habana 团队会在后续发布的新 SynapseAI 版本中继续优化这些模型的性能。例如，在 SynapseAI 1.9 的预览版中，BLOOMZ-176B 的时延从 3.7 秒进一步降低到 3.5 秒。
在完整数据集上运行推理
我们编写的脚本支持模型在完整的数据集上完成所有句子的推理。这尤其适用于想在自有数据集上尝试使用 Gaudi®2 进行 BLOOMZ 推理的情况。
这里我们以 tldr_news 数据集为例。该数据集包含多篇文章的标题和内容（均可在 Hugging Face Hub 中对其进行可视化处理）。前几个样本如下所示：
Input: 'Businesses Will Not Be Able to Hide': Spy Satellites May Give Edge From Above ;
Output: 'Businesses Will Not Be Able to Hide': Spy Satellites to Track Illegal Logging in Indonesia
The Indonesian government has announced that it will use spy satellites to track illegal logging in the country.
Input: Alphabet and SoftBank’s solar-powered drone provides first LTE connection ;
Output: Alphabet and SoftBank’s solar-powered drone provides first LTE connection connection from the stratosphere. The drone, which is about the size of a small car, is equipped with a solar panel and can fly for up
Input: SQLFlow (GitHub Repo);
Output: SQLFlow (GitHub Repo):
https://github.com/davidfowl/SQLFlow
The code is written in Java and is available on GitHub. It is a simple, lightweight
Input: Secret to keeping ice cream creamy (not crunchy);
Output: Secret to keeping ice cream creamy (not crunchy) is to freeze it in a container that is airtight.
Input: Tesla's giant battery saved $40 million during its first year, report says ;
Output: Tesla's giant battery saved $40 million during its first year, report says
Tesla's giant battery saved $40 million during its first year, report says
Tesla's giant battery saved $40 million during its first year,
Input: Python 3.9: Cool New Features for You to Try (28 minute read);
Output: Python 3.9: Cool New Features for You to Try (28 minute read): This is a great article for those
Input: A company aims to power the world for millions of years by digging the deepest holes ever ;
Output: A company aims to power the world for millions of years by digging the deepest hole ever made in
Input: In Nevada desert, a technology firm aims to be a government ;
Output: In Nevada desert, a technology firm aims to be a government Introduction
The use of the Internet has become a common practice in the daily life of people. The Internet has become△若代码显示不全，请左右滑动下一节将展示如何用该脚本来执行基准测试，以及如何将其应用于 Hugging Face Hub 中任何您喜欢的数据集。
如何复现这些结果？
访问文末[23]获取在 Gaudi®2 和第一代 Gaudi® 上对 BLOOMZ 进行基准测试的脚本。
在运行上述脚本之前，请确保按照Habana 提供的指南[24]安装了最新版本的 SynapseAI 和 Gaudi® 驱动程序。
然后，运行以下命令：
git clone https://github.com/huggingface/optimum-habana.git
cd optimum-habana && pip install . && cd examples/text-generation
pip install git+https://github.com/HabanaAI/DeepSpeed.git@1.8.0△若代码显示不全，请左右滑动最后，按如下方式运行脚本：
git clone https://github.com/huggingface/optimum-habana.git
cd optimum-habana && pip install . && cd examples/text-generation
pip install git+https://github.com/HabanaAI/DeepSpeed.git@1.8.0△若代码显示不全，请左右滑动关于多节点推理，请查看和遵循 Optimum Habana 文档中的指南[25]。
使用参数 —dataset_name my_dataset_name 即可加载来自 Hugging Face Hub 的任何数据集以获取用于文本生成的提示。
此基准测试基于 Transformers v4.27.1、SynapseAI v1.8.0，和源码安装的 Optimum Habana。
对于 GPU，此代码库[26]包含了可用于复现本文[27]前述测试结果的脚本。静态形状 (static shape) 是使用 CUDA Graph 的必要条件，而 Transformers 并不支持静态形状。因此，您需使用 Habana 团队编写的代码[28]来启用静态形状。
结论
从本文可以看出，Habana® Gaudi®2 在执行 BLOOMZ 推理时，具有较优的速度优势，且无需编写复杂的脚本，因为 Optimum Habana[29]提供了易于使用的工具，来支持在 HPU 上运行数十亿参数模型的推理。
Habana 的 SynapseAI SDK 将于后续版本实现进一步的性能提升。随着 SynapseAI 上大语言模型推理优化的不断推进，我们也将定期对此基准测试进行更新，同时也期待 Gaudi®2 为 FP8 推理带来更多性能优势。
如有兴趣使用最新 AI 硬件加速器和软件库来加速机器学习训练和推理工作流，请查看 Hugging Face 的专家加速计划[30]。
如需了解有关 Habana 解决方案的更多信息，请阅读了解 Habana 与 Hugging Face 的合作关系[31]并联系 Habana[32]。
如需详细了解 Hugging Face 如何让 AI 硬件加速器更易于使用，请查看 Hugging Face 的硬件合作伙伴计划[33]。
英特尔研究院认知AI团队研究科学家Philip Howard和Anahita Bhiwandiwalla还介绍了Gaudi®2 与 BLOOMZ 的相关测试。
可点击观看视频[34]，了解如何在 Gaudi®2 上轻松部署 BLOOMZ 等大语言模型。
[1]https://huggingface.co/blog/zh/habana-gaudi-2-bloom
[2]https://habana.ai/products/gaudi2/
[3]https://arxiv.org/abs/2211.05100
[4]https://bigscience.huggingface.co/
[5]https://arxiv.org/abs/2211.01786
[6]“零样本”是指模型基于新输入数据或无准备输入数据（即未提供任何训练示例的数据）完成任务的能力。我们向模型提供提示和以自然语言描述的指令（即我们希望模型做什么）。零样本分类不包括与正在完成的任务相关的任何示例。这区别于单样本或少样本分类，因为这些任务包括特定任务的一个或多个示例。
[7]https://huggingface.co/blog/bloom-megatron-deepspeed
[8]https://huggingface.co/blog/bloom-inference-optimization
[9]https://docs.habana.ai/en/latest/Gaudi_Overview/SynapseAI_Software_Suite.html#graph-compiler-and-runtime
[10]https://docs.habana.ai/en/latest/PyTorch/Inference_on_PyTorch/Inference_Using_HPU_Graphs.html
[11]https://docs.habana.ai/en/latest/PyTorch/DeepSpeed/Inference_Using_DeepSpeed.html
[12]https://github.com/huggingface/optimum-habana
[13]https://huggingface.co/docs/optimum/habana/quickstart
[14]https://huggingface.co/blog/habana-gaudi-2-benchmark#how-to-get-access-to-gaudi2
[15]https://www.deepspeed.ai/
[16]https://arxiv.org/abs/2207.00032
[17]https://huggingface.co/blog/bloom-megatron-deepspeed#pipeline-parallelism
[18]https://github.com/HabanaAI/deepspeed
[19]bigscience/bloomz · Hugging Face
[20]bigscience/bloomz-7b1 · Hugging Face
[21]https://github.com/microsoft/DeepSpeed/blob/v0.8.2/deepspeed/inference/engine.py#L158
[22]https://huggingface.co/blog/how-to-generate#greedy-search
[23]https://github.com/huggingface/optimum-habana/tree/main/examples/text-generation
[24]https://docs.habana.ai/en/latest/Installation_Guide/index.html
[25]https://huggingface.co/docs/optimum/habana/usage_guides/multi_node_training
[26]transformers-bloom-inference/bloom-inference-scripts at main · huggingface /transformers-bloom-inference · GitHub
[27]IncrediblyFast BLOOM Inference with DeepSpeed and Accelerate (huggingface.co)
[28]Model-References/PyTorch/nlp/bloom at 1.8.0 · HabanaAI/Model-References · GitHub
[29]https://huggingface.co/docs/optimum/habana/index
[30]https://huggingface.co/support
[31]https://huggingface.co/hardware/habana
[32]https://habana.ai/contact-us/
[33]https://huggingface.co/hardware
[34]https://videos.sproutvideo.com/embed/799fd9b8141be0c6f0/79c248b5ecd76231?playerColor=0270c1&endFrame=posterFrame&autoplay=true&lightbox=true
