PyTorch AO项目中量化模型性能优化实践
在PyTorch AO项目中使用int4权重仅量化技术时,我们发现了一个关键的性能问题:Torchao的CPU开销过高,抵消了量化内核带来的性能优势。本文将深入分析这一问题及其解决方案。
问题背景
量化技术本应通过降低计算精度来提升模型推理速度。在理想情况下,int4 GEMM内核相比bf16/fp16 GEMM通常能有2-3倍的加速。然而在实际应用中,特别是在小型模型或高性能GPU/XPU设备上,我们观察到端到端性能不仅没有提升,反而出现了下降。
性能瓶颈分析
通过详细剖析,我们发现了两个主要的性能瓶颈:
-
eager模式下的重分发开销:Torchao使用Tensor子类和
__torch_function__
机制将nn.linear重定向到自定义的int4矩阵乘法操作。在eager模式下,这种重分发操作的时间甚至超过了实际计算内核的执行时间。 -
编译模式下的张量展开开销:在torch.compile模式下,虽然重分发操作被优化掉了,但引入了额外的host端工作。Torchao中的affine_quantized_tensor.py会被dynamo/inductor展开,这个展开过程的时间几乎与int4矩阵乘法内核的执行时间相当。
性能影响评估
在A100-PCIE-40GB和AMD EPYC 7713平台上进行的测试显示:
- 在示例代码中,bf16的端到端延迟为0.109ms,而int4woq为0.162ms
- dynamo准备时间在bf16下为0.024ms,在int4woq下增加到0.098ms
- 额外的0.075ms CPU开销占端到端延迟的46%
在Qwen2-0.5B模型上的测试结果更令人担忧:
- bf16的下一个token延迟为17.11ms
- int4woq的下一个token延迟增加到29.16ms
- 其中9ms来自填充操作开销,2ms来自张量展开
解决方案
经过社区讨论和开发,我们找到了以下解决方案:
-
参数化改造:使用
unwrap_tensor_subclass_parameters
函数可以消除编译时的额外运行时开销。这个解决方案要求Tensor子类参数的构造函数__init__
和__new__
能够被dynamo追踪。 -
代码优化:通过重构Torchao中的Tensor子类实现,确保其构造函数完全兼容dynamo追踪要求。特别是移除了构造函数中的Callable参数,这使得参数化改造成为可能。
优化效果
在实际测试中,这些优化措施取得了显著效果:
- Llama3.1-8b模型的dynamo/inductor准备时间从4.5ms降低到2.5ms
- 完全消除了
flatten_subclass
相关的操作 - 虽然相比纯bf16的0.6ms准备时间仍有差距,但已经大幅改善了性能
结论
通过这次优化实践,我们不仅解决了Torchao在量化模型中的性能问题,也为PyTorch生态中的量化技术应用积累了宝贵经验。未来,我们将继续探索更高效的量化实现方式,确保理论上的性能优势能够真正转化为实际应用中的加速效果。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0301- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









