FP8和更低的浮點數量化精度，不再是H100的「專利」了！
老黃想讓大家用INT8/INT4，微軟DeepSpeed團隊在沒有英偉達官方支援的條件下，硬生生在A100上跑起FP6#。
測試結果表明，新方法TC-FPx在A100上的FP6量化，速度接近甚至偶爾超過INT4，而且擁有比後者更高的精度。
在此基礎之上，還有端到端的大模型支援#，目前已經開源並整合到了DeepSpeed等深度學習推理框架中。
這成果對大模型的加速效果也是立竿見影－在這種框架下用單卡跑Llama，吞吐量比雙倍還要高2.65倍。
一名機器學習研究人員看了後表示，微軟的這項研究簡直可以用crazy來形容。
表情包也第一時間上線，be like：
英偉達：只有H100支援FP8。
微軟：Fine，我自己搞定。
那麼，這個框架到底能實現什麼樣的效果，背後又採用了什麼樣的技術呢？
在A100上使用FP6精度，帶來的是核心級的效能提升#。
研究人員選取了不同大小的Llama模型和OPT模型之中的線性層，在NVIDIA A100-40GB GPU平台上，使用CUDA 11.8進行了測試。
結果比英威達官方的cuBLAS（W16A16）與TensorRT-LLM（W8A16），TC-FPx（W6A16）速度提升的最大值分別是2.6倍和1.9倍。
比起於4bit的BitsandBytes（W4A16）方法，TC-FPx的最大速度提升則是達到了8.9倍。
（W和A分別代表權重量化位寬和激活量化位寬）
#△歸一化數據，以cuBLAS結果為1
同時，TC-FPx核心也減少了對DRAM記憶體的訪問，並提高了DRAM頻寬利用率和Tensor Cores利用率，以及ALU和FMA單元的利用率。
在TC-FPx基礎之上設計的端對端推理框架FP6-LLM，也給大模型帶來了顯著的性能提高。
以Llama-70B為例，用FP6-LLM在單卡上的運行吞吐量，比FP16在雙卡上還要高出2.65倍，在16以下的批大小中的延遲也低於FP16。
而對於參數量小一些的模型OPT-30B（FP16也使用單卡），FP6-LLM同樣帶來了明顯的吞吐量提升和延遲降低。
而且單卡FP16在這種條件下最多支援的批次大小只有4，FP6-LLM卻可以在批次大小為16的情況下正常運作。
那麼，微軟團隊是怎麼實現在A100上運行FP16量化的呢？
為了實現對包括6bit在內精度的支持，TC-FPx團隊設計了一個統一的核心方案，可以支援不同位寬的量化權重。
相比於傳統的雙核心方法，TC-FPx透過將去量化和矩陣乘法融合在單一核心中，減少了記憶體存取次數，提高了效能。
實現低精度量化的核心奧義則是通過去量化方式，將FP6精度的數據「偽裝」成FP16，然後按照FP16的格式交給GPU進行運算。
同時團隊也利用了位元級預打包技術，解決GPU記憶體系統對非2的冪次位寬（如6 -bit）不友善的問題。
具體來說，位元級預打包是在模型推理之前對權重資料進行重新組織，包括將6-bit量化的權重重新排列，以便它們能夠以GPU記憶體系統友好的方式進行存取。
此外，由於GPU記憶體系統通常以32位元或64位元的區塊進行資料訪問，位元級預打包技術將還會以6-bit權重打包，使得它們能夠以這些對齊的區塊的形式存儲和訪問。
預先打包完成後，研究團隊使用SIMT核心的平行處理能力，對暫存器中的FP6權重執行並行去量化，產生FP16格式的權重。
去量化後的FP16權重在暫存器中被重構，然後送入Tensor Core，並使用重構後的FP16權重執行矩陣乘法運算，完成線性層的計算。
在這個過程中，團隊利用了SMIT核心的位元級並行性，提高了整個去量化過程的效率。
而為了權重構任務能夠並行運行，團隊也使用了一種並行權重拼接技術。
具體來說，每個權重被分割成幾個部分，每個部分的位寬是2的冪次（如把6分割成2 4或4 2）。
在去量化之前，權重首先從共享記憶體載入到暫存器中。由於每個權重被分割成多個部分，需要在運行時在暫存器層級重構完整的權重。
為了減少運行時的開銷，TC-FPx提出了一種平行提取和拼接權重的方法。這種方法使用兩組暫存器來儲存32個FP6權重的片段，並行地重建這些權重。
同時，為了並行提取和拼接權重，需要確保初始資料佈局滿足特定的順序要求，因此TC-FPx透過在運行前對權重片段進行重排。
此外，TC-FPx也設計了一個軟體管線，將去量化步驟與Tensor Core的矩陣乘法運算融合在一起，透過指令層級並行性提高了整體的執行效率。
論文網址：https://arxiv.org/abs/2401.14112
以上是單卡跑Llama 70B快過雙卡，微軟硬生把FP6搞到A100哩 | 開源的詳細內容。更多資訊請關注PHP中文網其他相關文章！
