vivo AI 團(tuán)隊(duì)與 NVIDIA 團(tuán)隊(duì)合作，通過算子優(yōu)化，提升 vivo 文本預(yù)訓(xùn)練大模型的訓(xùn)練速度。在實(shí)際應(yīng)用中，訓(xùn)練提速 60%，滿足了下游業(yè)務(wù)應(yīng)用對模型訓(xùn)練速度的要求。通過 NVIDIA Nsight Systems 性能分析工具進(jìn)行性能瓶頸分析，并在此基礎(chǔ)上，針對 gather、dropout、softmax、scale、layernorm 等算子進(jìn)行優(yōu)化。

客戶簡介及應(yīng)用背景

vivo 是一家以設(shè)計(jì)驅(qū)動(dòng)創(chuàng)造偉大產(chǎn)品，以智能終端和智慧服務(wù)為核心的科技公司。自 2017 年開始，vivo 不斷地思考著如何通過 AI 技術(shù)能力，為全球超過 4 億的用戶提供更好的智能服務(wù)?；诖嗽妇埃瑅ivo 打造了針對消費(fèi)互聯(lián)網(wǎng)場景的 1001 個(gè) AI 便利。其中，vivo AI 團(tuán)隊(duì)研發(fā)了面向自然語言理解任務(wù)的文本預(yù)訓(xùn)練模型 3MP-Text。在中文語言理解測評基準(zhǔn) CLUE 榜單上，3MP-Text 1 億參數(shù)模型效果排名同規(guī)模第一，7 億參數(shù)模型排名總榜第十（不包括人類）；在 vivo 內(nèi)部的多個(gè)應(yīng)用場景如內(nèi)容理解、輿情分析、語音助手上測試，3MP-Text 1 億模型效果明顯優(yōu)于同規(guī)模開源模型，展現(xiàn)出優(yōu)秀的中文語言理解能力，具有良好的應(yīng)用價(jià)值。

此圖片來源于 vivo

*如果您有任何疑問或需要使用此圖片，請聯(lián)系 vivo

客戶挑戰(zhàn)

為提升預(yù)訓(xùn)練模型的效果，往往需要對模型的結(jié)構(gòu)做一定修改，（比如改變位置編碼的實(shí)現(xiàn)方式，改變模型的寬度和深度等）而這些修改，可能造成模型訓(xùn)練速度的下降。

3MP-Text 模型，采用 Deberta V2 的模型結(jié)構(gòu)，該結(jié)構(gòu)使用相對位置編碼，相對于絕對位置編碼，效果更好，但其相對位置編碼的實(shí)現(xiàn)過程，增加了模型在注意力機(jī)制部分的計(jì)算量，從而降低了模型的訓(xùn)練速度。如圖 1 所示，在 NVIDIA GPU 單卡測試中，含有相對位置編碼的注意力機(jī)制的計(jì)算耗時(shí)占了單次迭代耗時(shí)的 71.5%。

另一方面，已有的研究和實(shí)踐驗(yàn)證顯示，相同參數(shù)規(guī)模下，減小模型隱層維度，增加模型層數(shù)，能提升效果（效果對比見圖 2），因此，3MP-Text 模型采用了這種 DeepNarrow 的結(jié)構(gòu)。

圖 1. Deberta V2 xlarge 模型在 NVIDIA GPU 單卡上，batch size = 20 時(shí)一次迭代的 nsys timeline。單次迭代耗時(shí) 965ms，含有相對位置編碼的注意力機(jī)制（DisentangledSelfAttention）前后向計(jì)算耗時(shí) 690ms，占比 71.5%。

圖 2. 實(shí)際驗(yàn)證的數(shù)據(jù)表格

以上兩點(diǎn)修改，使得 3MP-Text 模型，相比同參數(shù)規(guī)模的 BERT 模型，訓(xùn)練時(shí)間多 60%，訓(xùn)練成本相應(yīng)增加，對模型在實(shí)際業(yè)務(wù)場景的應(yīng)用，造成一定障礙。比如，采用領(lǐng)域預(yù)訓(xùn)練的方法，提升 3MP-Text 模型在手機(jī)輿情領(lǐng)域任務(wù)上的整體表現(xiàn)，由于模型訓(xùn)練時(shí)間比 BERT 長 60%，采用該模型會使業(yè)務(wù)功能的上線時(shí)間明顯延遲，從而影響了正常迭代優(yōu)化。

應(yīng)用方案

本案例將以 NVIDIA GPU 單卡訓(xùn)練情況為例，展開介紹 NVIDIA 所進(jìn)行的算子優(yōu)化。

如上文提到，含有相對位置編碼的注意力機(jī)制計(jì)算耗時(shí)占比達(dá) 71.5%，因此，NVIDIA 團(tuán)隊(duì)優(yōu)先對該模塊進(jìn)行了優(yōu)化，其中包括 gather 算子、dropout 算子、softmax 算子和 scale 算子的優(yōu)化。

● Gather 算子優(yōu)化：

對于 gather 操作本身，在 cuda kernel 實(shí)現(xiàn)方面，采用了 float4/half4 等數(shù)據(jù)類型進(jìn)行向量化讀寫（一次讀寫 4 個(gè) float 或 4 個(gè) half 元素），并且利用 shared memory 確保合并訪問，從而優(yōu)化 gather（前向）/ scatter（反向）cuda kernels。

除了 gather 本身的優(yōu)化外，如圖 3 所示的 pytorch 代碼中看到，有不少 elementwise 的操作（紅框所示）可以通過 kernel 融合（kernel fusion）的優(yōu)化手段，把它們都融合到一個(gè) cuda kernel（藍(lán)框所示）中，從而提升性能。如圖 4 所示，在進(jìn)行 kernel 融合前，完成相應(yīng)計(jì)算需要 9 個(gè) cuda kernels，kernel 融合后，只需要 4 個(gè) cuda kernels。

綜合 gather kernel 優(yōu)化和 kernel 融合優(yōu)化，該模塊性能提升 3.3 倍。

圖 3. gather 及相關(guān)操作的 pytorch 源碼。紅框?yàn)?gather 操作上下游的 elementwise 操作。藍(lán)框示意進(jìn)行 kernel 融合后，對應(yīng) cuda kernel 所執(zhí)行的全部操作。

圖 4. gather 及相關(guān)操作優(yōu)化 nsys timeline 對比。(a) 優(yōu)化前，前向 (fw) 6 個(gè) cuda kernels 耗時(shí) 2.6ms，反向 (bw) 3 個(gè)cuda kernels 耗時(shí) 3.6 ms；(b)優(yōu)化后，前向 (fw) 2 個(gè) cuda kernels 耗時(shí) 0.88ms，反向 (bw) 2 個(gè) cuda kernels 耗時(shí) 0.99ms。優(yōu)化后加速比 3.3x。

●Dropout 算子優(yōu)化：

在 debertaV2 中會使用 StableDropout，如果仔細(xì)對比 pytorch 代碼，會發(fā)現(xiàn)其計(jì)算公式絕大部分情況下可以簡化為：

• Step 1. rand_data = torch.rand_like(input)

• Step 2. x.bernoulli_(1 - dropout) == rand_data < (1 - dropout)

• Step 3. mask = (1 - torch.empty_like(input).bernoulli_(1 - dropout)).to(torch.bool)

• Step 4. input.masked_fill(mask, 0) * (1.0 / (1 - dropout))

顯然上述操作涉及大量的 elementwise 的操作，因此把 step 2~4 融合到一個(gè)獨(dú)立的 cuda kernel 中，同時(shí)再次采用了 float4/half4 等數(shù)據(jù)類型進(jìn)行向量化讀寫來優(yōu)化 cuda kernel。

如圖 5 所示，在進(jìn)行 kernel 融合前，完成相應(yīng)計(jì)算需要 9 個(gè) cuda kernels，kernel 融合后，只需要 3 個(gè) cuda kernels。

綜合 dropout kernel 優(yōu)化和 kernel 融合優(yōu)化，該模塊性能提升 4.5 倍。

圖 5. dropout 及相關(guān)操作優(yōu)化 nsys timeline 對比。(a) 優(yōu)化前，前向 (fw) 6 個(gè) cuda kernels 耗時(shí) 3.4ms，反向 (bw) 3 個(gè) cuda kernels 耗時(shí) 1.9 ms；(b)優(yōu)化后，前向 (fw) 2 個(gè) cuda kernels 耗時(shí) 0.82ms，反向 (bw) 1 個(gè) cuda kernels 耗時(shí) 0.37ms。優(yōu)化后加速比 4.5x。

●Softmax 算子優(yōu)化：

與 dropout 類似，根據(jù)源碼對 Softmax 算子的計(jì)算步驟進(jìn)行如下劃分：

• Step 1. rmask = ~(mask.to(torch.bool))

• Step 2. output = input.masked_fill(rmask, torch.tensor(torch.finfo(input.dtype).min))

• Step 3. output = torch.softmax(output, self.dim)

• Step 4. output.masked_fill_(rmask, 0)

把 step 1~4 融合到一個(gè)獨(dú)立的 cuda kernel 中。由于 softmax 計(jì)算中涉及 cuda 線程之間的同步操作，當(dāng)采用 float4/half4 等數(shù)據(jù)類型進(jìn)行向量化讀寫時(shí)，也減少了參與同步的 cuda 線程數(shù)目，從而減少了同步的開銷。此外，NVIDIA 團(tuán)隊(duì)也利用寄存器數(shù)組來緩存數(shù)據(jù)，避免了多次從全局內(nèi)存中讀取數(shù)據(jù)。

在 softmax 優(yōu)化中，只優(yōu)化了其前向，沿用了原有的反向?qū)崿F(xiàn)。如圖 6 所示，經(jīng)過優(yōu)化后，該模塊前向性能提升 4 倍。

圖 6. softmax 及相關(guān)操作優(yōu)化 nsys timeline 對比。(a) 優(yōu)化前，前向 (fw) 6 個(gè) cuda kernels 耗時(shí) 2.1ms；(b)優(yōu)化后，前向 (fw) 1 個(gè) cuda kernels 耗時(shí) 0.5ms。優(yōu)化后加速比 4x。

● Scale 算子優(yōu)化：

如圖 7 所示，在 attention 部分，計(jì)算 attention score 時(shí)會有一個(gè)除以 scale 的操作，這個(gè)除法操作其實(shí)可以很容易通過 cublas 的 API 融合 到矩陣乘法之中，因此，直接調(diào)用 cublasGemmStridedBatchedEx() API，實(shí)現(xiàn)了一個(gè)融合 gemm + scale 的 torch op。取得了 1.9x 的加速比（優(yōu)化前 1.42 ms，優(yōu)化后 0.75 ms）。

圖 7. Attention 部分，scale 操作相關(guān)源碼。

●Layernorm 算子優(yōu)化：

除了上述提到算子外，還通過改造 apex 中的 layer_norm 模塊（https://github.com/NVIDIA/apex/tree/master/apex/contrib/csrc/layer_norm），以便在 hidden dim=512 情況下，優(yōu)化 layernorm 算子，取得了 2.4 倍的加速比（優(yōu)化前 0.53 ms，優(yōu)化后 0.22 ms）。

使用效果及影響

使用 NVIDIA 做的算子優(yōu)化，vivo 3MP-Text 模型的訓(xùn)練速度提升 60%，達(dá)到了和同規(guī)模 BERT 模型相同的速度，下游業(yè)務(wù)應(yīng)用時(shí)，模型的訓(xùn)練速度不再成為瓶頸，訓(xùn)練成本進(jìn)一步降低。另外，這些算子優(yōu)化，也可以應(yīng)用到其他使用 Deberta V2 模型的場景中。

未來，vivo AI 團(tuán)隊(duì)和 NVIDIA 將在大模型分布式訓(xùn)練、推理等方面持續(xù)合作，共同推進(jìn)生成式 AI 在手機(jī)場景行業(yè)的應(yīng)用落地（如語音助手、智能創(chuàng)作、智能辦公等）和性能提升。

點(diǎn)擊 “閱讀原文”，或掃描下方海報(bào)二維碼，在 5 月 29 日觀看 NVIDIA 創(chuàng)始人兼 CEO 黃仁勛為 COMPUTEX 2023 帶來的主題演講直播，了解AI、圖形及其他領(lǐng)域的最新進(jìn)展！