揭示GPU上的批处理策略

本文深入探讨了批处理在现代GPU上的工作原理，以及它是如何影响深度学习模型的推理速度，基于此，作者为模型优化提供了实用指导。通过优化批处理策略，研究人员和工程师可以更有效地利用计算资源，提高模型的推理效率。（本文作者为机器学习研究员Finbarr Timbers，他曾是DeepMind的工程师。本文由OneFlow编译发布，转载请联系授权。原文：
https://www.artfintel.com/p/how-does-batching-work-on-modern）

作者 | FINBARR TIMBERS
OneFlow编译
翻译｜杨婷

对于任何现代深度学习系统而言，执行批处理是最重要的一项优化。批处理是指，在推理过程中不是发送单个输入，而是发送一个大小为N的输入批次。通常情况下，根据批次大小N的具体值，这项优化可以视为“免费”，因为整个批次的处理时间与处理单个示例的时间几乎相同。为何会这样？按理来讲，批处理不应该免费，毕竟要多做N倍的工作。

对于简单的神经网络模型来说，这并不是免费的，批处理计算确实需要N倍的计算资源来运行。如但果在CPU上运行这种批处理，你会发现这一点确实存在（在Colab上ResNet50的平均推理时间）。

然而，当你在现代GPU上运行相同的示例时，情况就有所不同了。以下是我们观察到的现象（T4）：

将批量大小从1增加到2、再增加到3都不需要额外的时间，之后才会线性增加。

为什么会这样呢？这是由于并发性。现代GPU可以并发地运行这些操作。（实际上，在每个线程的基础上，GPU的速度比CPU慢）。

在计算模型推理时，我们通常会将模型视为单个块（block），但实际上模型由许多矩阵组成。当我们运行推理时，每个矩阵都被加载到内存中。具体来说，每个矩阵的块被加载到设备内存中，即共享内存单元（在A100上只有192KB）。然后，该块用于计算批次中每个元素的结果。需要注意的是，这与GPU RAM（即HBM）不同，A100具有40GB或80GB的HBM，但只有192KB的设备内存。因为我们不断地在设备内存中搬运数据，所以这在执行数学运算时会导致一个内存带宽瓶颈。我们可以通过计算模型大小/内存带宽比来近似传输权重所需的时间，并通过模型FLOPS/GPU FLOPS来近似计算所需的时间。

使用多层感知器（MLP）时，FLOPS（每秒浮点运算次数）约为参数数量的两倍乘以批次中元素的数量（对于批次大小为b和一个m x n矩阵，FLOPS为2 m n * b，https://www.stat.cmu.edu/~ryantibs/convexopt-F18/scribes/Lect...）。因此，当

时，传输时间等于计算时间。

注意，我们可以在这里消除参数的数量：

然后，以批次大小为单位重新组织：

当批大小小于FLOPS与内存带宽之比时，我们会受到内存带宽的限制。当批大小大于该比值时，我们会受到FLOPS的限制。需要注意的是，这种分析是针对MLP而不是卷积网络（例如ResNet50）。对于卷积网络来说，情况会变得更加复杂。

在T4 GPU（
https://www.nvidia.com/content/dam/en-zz/Solutions/Data-Cente...）上，我们有65 TFLOPS的fp32性能和300 GB/s的内存带宽，因此魔数比（magic ratio ）应该是216。当运行一个MLP（深度：8，宽度：1024）时，我们大致看到了预期结果：

虽然结果里有些噪声，但基本符合我们的预期：推理时间在批大小约为128左右开始显著增加（批次大小每次翻一倍，可以看到批次分别为128、256和512）。如果改变MLP层的宽度，我们会发现这个现象在各种架构中都成立。以下是一个对数-对数图，以便将所有数据都纳入其中。

这真的很酷！可以看到，各种不同架构都存在临界阈值。此外，同样有趣的是，较小的网络在整个批大小范围（从1到512）中几乎没有看到任何扩展，花费的时间大致保持不变。我认为，其原因在于：GPU在执行数学计算方面非常快速，但其他方面（例如CPU等）相对较慢。而对于开始阶段的噪声，我还不能给出一个很好的解释，只能简单地将其归因为“计算开销”。

对于很多机器学习工程师而言，他们实际上并没有在机器学习上花太多时间，而是在解决计算开销问题，这些计算开销通常出现在非机器学习代码中。在强化学习研究中，特别是对于研究持续学习问题的研究人员来说，当存在一个单一智能体连续进行大量的动作时，通常不值得使用GPU进行实验，除非满足以下条件之一：1）有非常大的神经网；2）对堆栈的其他方面进行了广泛优化（如果你想让一位资深的DeepMind工程师感到不安，可以问他们关于内置计算图环境的事情——我们曾在TensorFlow计算图内实现强化学习环境)。

那么CNN网络呢？

在卷积网络中，权重等于滤波器数量乘以滤波器大小。对于torch.nn.Conv2d，这相当于kernel_size^2 * out_channels。因此，如果我们有一个（224，224）的图像，步长为1，卷积核大小为3，那么我们会将同一个滤波器应用于图像224次。这意味着，基本上对于卷积层来说，批处理带来的优势要少得多，因为我们多次重复使用相同的权重。对于池化层（pooling layer），计算量基本上是与像素数量成正比，正如你所期望的那样。

那么Transformer呢？

Transformers模型本质上就是多层感知器（MLPs），因此我们可以将它们视为同类。它们具有自注意力机制，但是通过使用键值（KV）缓存（将计算的数据保存在内存中），自注意力所需的时间可以很少。我之前也多次写过有关这方面的内容。

对于混合专家（Mixture of Experts）模型也是如此。在许多Transformer的实现中，键值（KV）缓存位于注意力类的内部（MaxText是一个很好的例子）。由于MoE模型与普通解码器的唯一区别在于一些前馈层被替换为MoE层，因此KV缓存的表现是相同的，推理过程也将如此，但有一个小差异。

MoE层中的门控机制会将批次分配给不同的专家。因此，如果门控机制不能均匀地将批次分配到各个专家中，这可能会导致出现问题。不同的路由机制可以避免这个问题（例如，expert’s choice），但在自回归解码器中，你基本上只能使用token’s choice，这可能会导致门控机制有一些倾向。强制门控机制均匀分配词元是一个活跃的研究领域，并且是训练过程中优化的一个重要目标。

【语言大模型推理最高加速11倍】SiliconLLM是由硅基流动开发的高效、易用、可扩展的LLM推理加速引擎，旨在为用户提供开箱即用的推理加速能力，显著降低大模型部署成本，加速生成式AI产品落地。（技术合作、交流请添加微信：SiliconFlow01）

SiliconLLM的吞吐最高提升近4倍，时延最高降低近4倍

数据中心+PCIe：SiliconLLM的吞吐最高提升近5倍；消费卡场景：SiliconLLM的吞吐最高提升近3倍

System Prompt场景：SiliconLLM的吞吐最高提升11倍；MoE模型：推理 SiliconLLM的吞吐最高提升近10倍