在ktransformers项目中支持Volta和Turing架构显卡的技术方案
2025-05-16 13:32:06作者:曹令琨Iris
背景介绍
ktransformers是一个专注于高效推理的开源项目,它通过创新的算子优化和内存管理技术,显著提升了大型语言模型的推理效率。然而,由于硬件架构的限制,Volta(如T4)和Turing(如2080Ti)架构的显卡无法直接运行项目中默认的Marlin算子,这给使用这些显卡的用户带来了挑战。
问题分析
Volta和Turing架构显卡面临的主要问题包括:
- 不支持Marlin算子,导致显存需求翻倍
- 默认使用flash-attention 2,但这些架构缺乏必要的硬件支持
- 单卡显存不足时无法有效运行大模型
解决方案
1. 基础修改方案
首先需要对项目代码进行以下基础修改:
- 将所有YAML配置文件中的KLinearMarlin替换为KLinearTorch
- 从源码重新编译ktransformers项目
- 安装flash-attn(虽然不会实际使用,但可以避免报错)
- 修改local_chat.py文件,将所有flash_attention_2替换为eager
2. 注意力机制优化
针对注意力计算部分,有两种优化方案:
方案一:强制使用Windows路径 修改attention.py文件,将Linux路径下的forward_linux调用改为forward_windows调用。这种方法虽然可行,但性能较低。
方案二:使用scaled_dot_product_attention 更优的方案是修改flash_attn_func调用,替换为PyTorch原生的scaled_dot_product_attention。具体修改包括:
- 添加数据类型转换逻辑,将中间计算转换为半精度
- 使用transpose调整张量维度
- 设置合适的scale和is_causal参数
这种方案相比强制使用Windows路径可以获得1.5-2倍的性能提升。
3. 显存管理
对于显存不足的情况,建议:
- 使用多卡并行(如4张T4或2张2080Ti)
- 监控内存占用,确保单路CPU内存大于模型完整大小
- 设置PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True避免显存碎片
性能优化技巧
- 对于Triton报错"out of resource: shared memory",可以修改triton_attention.py中的num_stages为1
- 使用Q2KL量化版本可以显著降低显存需求
- 监控token生成速率,合理调整batch size
实际效果
经过上述修改后,多种配置已成功运行:
- 4张T4显卡运行Q2KL版本,回答质量良好
- 双路2080Ti(各17GB显存)稳定运行
- V100+CUDA 11.8环境验证通过
生成速度方面,优化后的方案可以达到1.5-3.5 tokens/s,具体取决于硬件配置和模型量化程度。
总结
通过本文介绍的技术方案,成功解决了ktransformers项目在Volta和Turing架构显卡上的兼容性问题。这些修改不仅使老款显卡能够运行最新的大语言模型,还通过多种优化手段提升了推理效率。对于资源受限的环境,合理选择量化版本和多卡配置是关键。未来随着项目的更新,可能会有更优雅的解决方案出现,但当前方案已经为使用这些显卡的研究者和开发者提供了可行的技术路径。
登录后查看全文
热门项目推荐
相关项目推荐
PaddleOCR-VL
PaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0123AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
23
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
226
2.27 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1

暂无简介
Dart
526
116

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
988
586

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
351
1.43 K

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
61
17

GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】
Jinja
47
0

喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0

React Native鸿蒙化仓库
JavaScript
212
288