大型模型推理

加速提供的最大进步之一是 大型模型推理，它允许您对无法完全安装在显卡上的模型进行推理。

本教程将向您展示如何在 Accelerate 和 Hugging Face 生态系统中使用大型模型推理。

Accelerate

下面展示了加载 PyTorch 模型的典型工作流程。ModelClass 是一个超出设备（mps 或 cuda）的 GPU 内存的模型。

import torch

my_model = ModelClass(...)
state_dict = torch.load(checkpoint_file)
my_model.load_state_dict(state_dict)

使用大型模型推理，第一步是使用 init_empty_weights 上下文管理器初始化模型的空骨架。这不需要任何内存，因为 my_model 是“无参数”的。

from accelerate import init_empty_weights
with init_empty_weights():
    my_model = ModelClass(...)

接下来，权重被加载到模型中以进行推理。

load_checkpoint_and_dispatch() 方法在空模型中加载检查点，并将权重分发到所有可用设备上的每个层，从最快的设备（GPU、MPS、XPU、NPU、MLU、MUSA）开始，然后移动到较慢的设备（CPU 和硬盘）。

设置 device_map="auto" 会自动首先填充 GPU 上的所有可用空间，然后是 CPU，最后是硬盘驱动器（最慢的选择），如果仍然没有足够的内存。

from accelerate import load_checkpoint_and_dispatch

model = load_checkpoint_and_dispatch(
    model, checkpoint=checkpoint_file, device_map="auto"
)

如果某些层“块”不应该被拆分，请将它们传递给 no_split_module_classes（有关更多详细信息，请参见这里）。

模型权重也可以被分成多个检查点，以节省内存，例如，当 state_dict 不适合内存时（有关更多详细信息，请参见这里）。

现在模型已完全分发，您可以进行推理。

input = torch.randn(2,3)
input = input.to("cuda")
output = model(input)

每次输入通过一个层时，它都会从 CPU 发送到 GPU（或从磁盘到 CPU 到 GPU），计算输出，并将该层从 GPU 中移除，一直回到起点。虽然这会增加一些推理开销，但它使您能够在系统上运行任何大小的模型，只要最大的层适合您的 GPU 即可。

可以使用多个 GPU 或“模型并行”，但在任何给定时间只有一个 GPU 会处于活动状态。这会迫使 GPU 等待上一个 GPU 发送输出。您应该使用 Python 正常启动您的脚本，而不是其他工具，例如 torchrun 和 accelerate launch。

下面看一下大型模型推理的完整示例。

import torch
from accelerate import init_empty_weights, load_checkpoint_and_dispatch

with init_empty_weights():
    model = MyModel(...)

model = load_checkpoint_and_dispatch(
    model, checkpoint=checkpoint_file, device_map="auto"
)

input = torch.randn(2,3)
input = input.to("cuda")
output = model(input)

Hugging Face 生态系统

Hugging Face 生态系统中的其他库，如 Transformers 或 Diffusers，在其from_pretrained 构造函数中支持大型模型推理。

您只需要在from_pretrained 中添加 device_map="auto" 来启用大型模型推理。

例如，使用大型模型推理加载 Big Sciences T0pp 110 亿参数模型。

from transformers import AutoModelForSeq2SeqLM

model = AutoModelForSeq2SeqLM.from_pretrained("bigscience/T0pp", device_map="auto")

加载模型后，会执行之前提到的空初始化和智能分发步骤，并且模型已完全准备好利用您机器中的所有资源。通过这些构造函数，您还可以通过指定 torch_dtype 参数来加载以较低精度表示的模型，从而节省更多内存。

from transformers import AutoModelForSeq2SeqLM

model = AutoModelForSeq2SeqLM.from_pretrained("bigscience/T0pp", device_map="auto", torch_dtype=torch.float16)

下一步

有关大型模型推理的更详细解释，请务必查看概念指南！