加速推理

Intel Gaudi 提供了几种方法来加速推理。

惰性模式

支持以下执行模式：

惰性模式：操作累积在一个图中，其执行以惰性方式触发。这允许图编译器优化这些操作的设备执行。
急切模式：一次执行一个操作。
带 torch.compile 的急切模式：模型（或模型的一部分）封装在一个图中。

并非所有模型都支持急切模式和带 torch.compile 的急切模式（仍在开发中）。惰性模式是默认模式。

在惰性模式下，图编译器生成优化的二进制代码，该代码在 Gaudi 上实现给定模型拓扑。它执行运算符融合、数据布局管理、并行化、流水线和内存管理，以及图级优化。

要在惰性模式下执行推理，您必须提供以下参数

args = GaudiTrainingArguments(
    # same arguments as in Transformers,
    use_habana=True,
    use_lazy_mode=True,
)

在惰性模式下，最后一个批次可能会触发额外的编译，因为它可能比之前的批次小。为避免这种情况，您可以使用 `dataloader_drop_last=True` 丢弃最后一个批次。

HPU 图

Gaudi 提供了一种使用 HPU 图运行快速推理的方法。它包括在 HPU 流中捕获一系列操作（即图），然后以优化的方式重放它们（更多信息此处）。因此，您可以将其应用于模型的 `forward` 方法，以在推理时高效运行它。

HPU 图已集成到 `GaudiTrainer` 和 `GaudiStableDiffusionPipeline` 中，以便可以非常轻松地使用它们。

`GaudiTrainer` 需要将训练参数 `use_hpu_graphs_for_inference` 设置为 `True`，如下所示：

from optimum.habana import GaudiTrainer, GaudiTrainingArguments

# define the training arguments
training_args = GaudiTrainingArguments(
    use_habana=True,
    use_lazy_mode=True,
    use_hpu_graphs_for_inference=True,
    gaudi_config_name=gaudi_config_name,
    ...
)

# Initialize our Trainer
trainer = GaudiTrainer(
    model=model,
    args=training_args,
    train_dataset=train_dataset
    ... # other arguments
)

`GaudiStableDiffusionPipeline` 需要将其参数 `use_hpu_graphs` 设置为 `True`，例如：

from optimum.habana.diffusers import GaudiDDIMScheduler, GaudiStableDiffusionPipeline

model_name = "CompVis/stable-diffusion-v1-4"

scheduler = GaudiDDIMScheduler.from_pretrained(model_name, subfolder="scheduler")

pipeline = GaudiStableDiffusionPipeline.from_pretrained(
    model_name,
    scheduler=scheduler,
    use_habana=True,
    use_hpu_graphs=True,
    gaudi_config="Habana/stable-diffusion",
)

outputs = generator(
    ["An image of a squirrel in Picasso style"],
    num_images_per_prompt=16,
    batch_size=4,
)

使用 HPU 图并在惰性模式下，前几次迭代可能会由于图编译而变慢。

自定义运算符

Intel Gaudi 提供了一些自定义运算符，它们比其 PyTorch 对应物具有更好的性能。您还可以在此处所述的方式为 Gaudi 定义自己的自定义运算符。

Gaudi 优化的 Flash Attention

惰性模式和急切模式都支持带有额外 Intel Gaudi AI 加速器优化的 Flash Attention 算法。请参阅使用融合缩放点积注意力 (FusedSDPA)。

< > 在 GitHub 上更新

Optimum

加速推理

惰性模式

HPU 图

自定义运算符

Gaudi 优化的 Flash Attention