大模型（LLMs）推理面

1. 为什么大模型推理时显存涨的那么多还一直占着？
2. 大模型在gpu和cpu上推理速度如何？
3. 推理速度上，int8和fp16比起来怎么样？
4. 大模型有推理能力吗？
5. 大模型生成时的参数怎么设置？
6. 有哪些省内存的大语言模型训练/微调/推理方法？
   1. 如何 估算模型所需的RAM？
   2. Fp16-mixed precision
   3. Int8-bitsandbytes
   4. LoRA
   5. Gradient Checkpointing
   6. Torch FSDP+CPU offload

1. 如何让大模型输出合规化
2. 应用模式变更
3. 模型输出的分布比较稀疏，怎么处理？
4. 为什么大模型推理时显存涨的那么多还一直占着？
5. 首先，序列太长了，有很多Q/K/V；
6. 其次，因为是逐个预测next token，每次要缓存K/V加速解码。
7. 大模型在gpu和cpu上推理速度如何？
   7B量级下：

cpu推理速度约10token/s；

单卡A6000和8核AMD的推理速度通常为 10:1。

1. 推理速度上，int8和fp16比起来怎么样？
   根据实践经验，int8模式一般推理会明显变慢（huggingface的实现）
2. 大模型有推理能力吗？
   大模型有推理能力。有下面2个方面的体现：
   ChatGPT拥有in-context correction的能力，即如果说错了，给出矫正，ChatGPT能“听懂”错在哪儿了，并向正确的方向修正。in-context correction要比in-context learning难了太多，描述越详细清楚， ChatGPT回答得越好。要知道，越详细的描述，在预训练的文本里越难匹配到的。
   在询问ChatGPT互联网上并不存在内容的时候，能给出较好答案（如用ChatGPT学建模）；ChatGPT能通过信息猜你心中的想法；你可以制定一个全新的游戏规则让ChatGPT和你玩，ChatGPT可以理解。
3. 大模型生成时的参数怎么设置？
   生成模型预测调参建议：
   建议去调整下 top_p, num_beams, repetition_renalty, temperature, do_sample=True;
   数据生成有重复，调高repetition_renalty；
   生成任务表达单一的，样本也不多的，可适当调低 temperature，生成的样子跟训练集的比较像；如果要复现训练集的效果，temperature=0.01即可。
   以上是经验参数，具体调参根据任务而定，不是固定的。
   1. 参数解释：

1. 有哪些省内存的大语言模型训练/微调/推理方法？

动机：大模型（LLMs）现在是 NLP 领域的最主流方法之一，但是大模型的训练/微调/推理需要的内存也越来越多。
举例来说，即使 RTX 3090 有着 24GB 的 RAM，是除了 A100 之外显存最大的显卡。但使用一块 RTX 3090 依然无法 fp32 精度训练最小号的 LLaMA-6B。
Memory-Efficient 的 LLMs 的训练/微调/推理方法

fp16

int8

LoRA

Gradient checkpointing

Torch FSDP

CPU offloading

1. 1. 如何 估算模型所需的RAM？
      首先，我们需要了解如何根据参数量估计模型大致所需的 RAM，这在实践中有很重要的参考意义。我们需要通过估算设置 batch_size，设置模型精度，选择微调方法和参数分布方法等。
      接下来，我们用LLaMA-6B 模型为例估算其大致需要的内存。首先考虑精度对所需内存的影响：

fp32 精度，一个参数需要 32 bits, 4 bytes.

fp16 精度，一个参数需要 16 bits, 2 bytes.

int8 精度，一个参数需要 8 bits, 1 byte.
其次，考虑模型需要的 RAM 大致分三个部分：

模型参数

梯度

优化器参数

模型参数：等于参数量*每个参数所需内存。
对于 fp32，LLaMA-6B 需要 6B*4 bytes = 24GB内存对于 int8，LLaMA-6B 需要 6B*1 byte = 6GB

梯度：同上，等于参数量*每个梯度参数所需内存。

优化器参数：不同的优化器所储存的参数量不同。
对于常用的 AdamW 来说，需要储存两倍的模型参数（用来储存一阶和二阶momentum）。

fp32 的 LLaMA-6B，AdamW 需要 6B*8 bytes = 48 GB

int8 的 LLaMA-6B，AdamW 需要 6B*2 bytes = 12 GB
除此之外，CUDA kernel 也会占据一些 RAM，大概 1.3GB 左右，查看方式如下。
综上，int8 精度的 LLaMA-6B 模型部分大致需要 6GB+6GB+12GB+1.3GB = 25.3GB 左右。
再根据LLaMA的架构（hidden_size = 4096, intermediate_size =11008, num_hidden_layers = 32, context_length = 2048）计算中间变量内存。
每个 instance 需要：
所以一张 A100（80GB RAM）大概可以在 int8 精度；batch_size = 50 的设定下进行全参数训练。查看消费级显卡的内存和算力：
2023 GPU Benchmark and Graphics Card Comparison Chart：https://www.gpucheck.com/gpu-be nchmark-graphics-card-comparison-chart

1. 1. Fp16-mixed precision

混合精度训练的大致思路是在 forward pass 和 gradient computation 的时候使用 fp16 来加速，但是在更新参数时使用 fp32。
用 torch 实现：
CUDA Automatic Mixed Precision examples：https://pytorch.org/docs/stable/notes/amp_example s.html
torch fp16 推理：直接使用 model.half() 将模型转换为fp16.
使用 Huggingface Transformers：在 TrainingArguments 里声明 fp16=Truehttps://huggingface.co/d ocs/transformers/perf_train_gpu_one#fp16-training

1. 1. Int8-bitsandbytes
      Int8 是个很极端的数据类型，它最多只能表示 - 128～127 的数字，并且完全没有精度。
      为了在训练和 inference 中使用这个数据类型，bitsandbytes 使用了两个方法最大程度地降低了其带来的误差：
      1. vector-wise quantization
      2. mixed precision decompasition
         Huggingface 在这篇文章中用动图解释了 quantization 的实现：https://huggingface.co/blog/hf-bitsa ndbytes-integration
         论文：
         LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale：https://arxiv.org/abs/2208.07339
         借助 Huggingface PEFT，使用 int8 训练 opt-6.5B 的完整流程：https://github.com/huggingface/pef t/blob/main/examples/int8_training/Finetune_opt_bnb_peft.ipynb

1. 1. LoRA
      Low-Rank Adaptation 是微调 LLMs 最常用的省内存方法之一。

LoRA 发现再微调 LLMs 时，更新矩阵（update matrix）往往特别 sparse，也就是说 update matrix
是低秩矩阵。LoRA 的作者根据这一特点将 update matrix reparametrize 为两个低秩矩阵的积积 。
其中，，A 和 B 的秩为 r，且 。
如此一来，A+B 的参数量将大大小于 .
LoRA 的论文：https://arxiv.org/pdf/2106.09685.pdf
借助 Huggingface PEFT 框架，使用 LoRA 微调 mt0：https://github.com/huggingface/peft/blob/mai n/examples/conditional_generation/peft_lora_seq2seq.ipynb

1. 1. Gradient Checkpointing
      在 torch 中使用 - 把 model 用一个 customize 的 function 包装一下即可，详见：
      Explore Gradient-Checkpointing in PyTorch：https://qywu.github.io/2019/05/22/explore-gradient- checkpointing.html
      在 Huggingface Transformers 中使用：https://huggingface.co/docs/transformers/v4.27.2/en/perf_ train_gpu_one#gradient-checkpointing
   2. Torch FSDP+CPU offload
      Fully Sharded Data Paralle（FSDP）和 DeepSpeed 类似，均通过 ZeRO 等分布优化算法，减少内存的占用量。其将模型参数，梯度和优化器状态分布至多个 GPU 上，而非像 DDP 一样，在每个 GPU 上保留完整副本。
      CPU offload 则允许在一个 back propagation 中，将参数动态地从 GPU -> CPU, CPU -> GPU 进行转移，从而节省 GPU 内存。
      Huggingface 这篇博文解释了 ZeRO 的大致实现方法：https://huggingface.co/blog/zero-deepspeed-f airscale
      借助 torch 实现 FSDP，只需要将 model 用 FSDPwarp 一下；同样，cpu_offload 也只需要一行代码：
      https://pytorch.org/blog/introducing-pytorch-fully-sharded-data-parallel-api/
      在这个可以查看 FSDP 支持的模型：https://pytorch.org/docs/stable/fsdp.html
      在 Huggingface Transformers 中使用 Torch FSDP：https://huggingface.co/docs/transformers/v4.2 7.2/en/main_classes/trainer#transformers.Trainin
      根据某些 issue，shard_grad_op（只分布保存 optimizer states 和 gradients）模式可能比 fully_shard
      更稳定：https://github.com/tatsu-lab/stanford_alpaca/issues/32

1. 如何让大模型输出合规化
   根据用户的输入问题内容，大模型进行生成回答的内容，但是生成的回答，不直接对外输出给用户。需要进行合规的处理，因为大模型的输出内容不可控，对于严肃的场景，以免引起用户的投诉。所以需要进合并处理。
   目前处理的方法，模型生成内容，再把这些内容生成向量，再查询话术向量库，得到最相似的话术。如果查询结果或相似得分比较阈值低或者查询不到结果，则走兜底策略。兜底策略按用户所在的对话阶 段，实验不同的兜底话术。或者使用万能兜底话术。
2. 应用模式变更
   机器人销售场景的case:
   纯大模型AI模式，最初直接是大模型机器人直接和用户对话，全流程都是大模型对话走流程。
   对比之前的AI（小模型意图、话术策略）+人工模式，发现之前的初始阶段通过率高些，初步判断可能是用户说的太发散，大模型不好收敛。
   就调整为AI+大模型AI模式。这样前面的AI主要是小模型意图、话术策略模式，任务引导更明确。大模型可以更好的和有意向的用户进行交互，更容易引导用户成单。
3. 模型输出的分布比较稀疏，怎么处理？

可以采用一些方法来处理模型输出的分布稀疏，例如使用softmax函数的温度参数调节来平滑输出分布，或者引入正则化技术，如Dropout，以减少模型对特定类别的过度依赖。