從年初到現在，生成式 AI 發展迅猛。但很多時候，我們又不得不面臨一個難題：如何加快生成式 AI 的訓練、推理等，尤其是在使用 PyTorch 的情況下。

本文 PyTorch 團隊的研究者為我們提供了一個解決方案。文章重點介紹了如何使用純原生 PyTorch 加速生成式 AI 模型，此外，文章還介紹了 PyTorch 新功能，以及如何組合這些功能的實際示例。

結果如何呢？PyTorch 團隊表示，他們重寫了 Meta 的「分割一切」 (SAM) 模型，從而使代碼比原始實現快 8 倍，并且沒有損失準確率，所有這些都是使用原生 PyTorch 進行優化的。 

博客地址：https://pytorch.org/blog/accelerating-generative-ai/

看完本文，你將了解到：

• Torch.compile：PyTorch 模型編譯器， PyTorch 2.0 加入了一個新的函數，叫做 torch.compile ()，能夠通過一行代碼對已有的模型進行加速；
• GPU 量化：通過降低運算精度來加速模型；
• SDPA（Scaled Dot Product Attention ）：內存高效的注意力實現方式；
• 半結構化 (2:4) 稀疏性：一種針對 GPU 優化的稀疏內存格式；
• Nested Tensor：Nested Tensor 把 {tensor, mask} 打包在一起，將非均勻大小的數據批處理到單個張量中，例如不同大小的圖像；
• Triton 自定義操作：使用 Triton Python DSL 編寫 GPU 操作，并通過自定義操作符注冊輕松將其集成到 PyTorch 的各種組件中。

PyTorch 原生特性所帶來的吞吐量增加以及減少的內存開銷。

SAM 由 Meta 提出，關于這項研究的更多內容請參考「CV 不存在了？Meta 發布「分割一切」AI 模型，CV 或迎來 GPT-3 時刻」。

接下來，文章介紹了 SAM 優化過程，包括性能分析、瓶頸識別，以及如何將這些新功能整合進 PyTorch 以解決 SAM 面臨的這些問題。除此以外，本文還介紹了 PyTorch 的一些新特性：torch.compile、SDPA、Triton kernels、Nested Tensor 以及 semi-structured sparsity（半結構化稀疏）。

本文內容逐層深入，文章的最后會介紹快速版 SAM，感興趣的小伙伴可以去 GitHub 上下載，此外，本文還通過 Perfetto UI 對這些數據進行了可視化，以此來闡釋 PyTorch 每項特性的應用價值。

GitHub 地址：https://github.com/pytorch-labs/segment-anything-fast

對分割一切模型 SAM 的重寫

該研究表示，本文利用的 SAM 基線數據類型為 float32 dtype、batch 大小為 1，使用 PyTorch Profiler 查看內核跟蹤的結果如下：

本文發現 SAM 有兩個地方可以優化：

第一個是對 aten::index 的長調用，這是由張量索引操作（例如 []）產生的底層調用導致的。然而實際上 GPU 花費在 aten::index 上的時間相對較低，原因在于 aten::index 在啟動兩個內核的過程中，兩者之間發生了阻塞 cudaStreamSynchronize。這意味著 CPU 會等待 GPU 完成處理，直到啟動第二個內核。因而為了優化 SAM，本文認為應該致力于消除導致空閑時間的阻塞 GPU 同步。

第二個是 SAM 在矩陣乘法中花費了大量的 GPU 時間（上圖中的深綠色），這在 Transformers 中很常見。如果能夠減少 SAM 模型在矩陣乘法上花費的 GPU 時間，我們就可以顯著加快 SAM 的速度。

接下來本文用 SAM 的吞吐量 (img/s) 和內存開銷 (GiB) 來建立基線。之后就是優化過程了。

Bfloat16 半精度（加上 GPU 同步和批處理）

為了解決上述問題，即讓矩陣乘法花費的時間更少，本文轉向 bfloat16。Bfloat16 是常用的半精度類型，通過降低每個參數和激活的精度，能夠節省大量的計算時間和內存。

用 bfloat16 替換 padding 類型

此外，為了移除 GPU 同步，本文發現有兩個位置可以優化。

具體來說（參考上圖更容易理解，出現的變量名都在代碼中），該研究發現在 SAM 的圖像編碼器中，有充當坐標縮放器（coordinate scalers）的變量 q_coords 和 k_coords，這些變量都是在 CPU 上分配和處理的。然而，一旦這些變量被用來在 rel_pos_resized 中建立索引，這些索引操作就會自動的將這些變量移動到 GPU 上，這種復制會導致 GPU 同步。為了解決上述問題，該研究注意到可以使用 torch.where 重寫這部分內容來解決問題，如上所示。

內核跟蹤

在應用了這些更改之后，本文注意到單個內核調用之間有著顯著的時間間隔，尤其在小批量（這里為 1）時更為突出。為了更深入的了解這一現象，本文開始對批大小為 8 的 SAM 推理進行性能分析：

在查看每個內核所花費的時間時，本文觀察到 SAM 的大部分 GPU 時間都花費在逐元素內核（elementwise kernels）和 softmax 操作上。

現在可以看到矩陣乘法的相對開銷小了很多。

將 GPU 同步和 bfloat16 優化結合在一起，SAM 性能提高了 3 倍。

Torch.compile（+graph breaks 和 CUDA graphs）

本文發現在深入研究 SAM 的過程中有很多小的操作，他們認為使用編譯器來融合操作有很大的好處，因而 PyTorch 對 torch.compile 做了以下優化：

• 將 nn.LayerNorm 或 nn.GELU 等操作序列融合成一個單一的 GPU 內核；
• 融合緊跟在矩陣乘法內核之后的操作，以減少 GPU 內核調用的數量。

通過這些優化，該研究減少了 GPU 全局內存往返次數（roundtrips），從而加快了推理速度。我們現在可以在 SAM 的圖像編碼器上嘗試 torch.compile。為了最大限度地提高性能，本文使用了一些高級編譯技術：

內核跟蹤

結果顯示，torch.compile 工作得很好。 

可以觀察到 softmax 占了很大一部分時間，然后是各種 GEMM 變體。以下測量的是批大小為 8 及以上的變化。

SDPA: scaled_dot_product_attention

接下來，本文又對 SDPA（scaled_dot_product_attention）進行了實驗，研究的重點是注意力機制。一般來講，原生注意力機制在時間和內存上隨序列長度呈二次方擴展。PyTorch 的 SDPA 操作基于 Flash Attention、FlashAttentionV2 和 xFormer 的內存高效注意力原理構建，可以顯著加快 GPU 注意力。與 torch.compile 相結合，這個操作允許在 MultiheadAttention 的變體中表達和融合一個共同的模式。經過一小部分更改后，現在模型可以使用 scaled_dot_product_attention。

內核跟蹤

現在可以看到內存高效的注意力內核占用了 GPU 上大量的計算時間：

使用 PyTorch 的原生 scaled_dot_product_attention，可以顯著增加批處理大小。下圖為批大小為 32 及以上的變化。

之后，該研究又實驗了 Triton，NestedTensor 、批處理 Predict_torch， int8 量化，半結構化 (2:4) 稀疏性等操作。

例如本文使用自定義 positional Triton 內核，觀察到批大小為 32 的測量結果。

使用 Nested Tensor，批大小為 32 及以上的變化。

添加量化后，批大小為 32 及以上變化的測量結果。

文章的最后是半結構化稀疏性。該研究表示，矩陣乘法仍然是需要面對的一個瓶頸。解決的辦法是使用稀疏化來近似矩陣乘法。通過稀疏矩陣（即將值歸零）可以使用更少的位來存儲權重和激活張量。該研究將張量中哪些權重設置為零的過程稱為剪枝。剪枝掉較小的權重可以潛在地減小模型大小，而不會顯著損失準確率。

剪枝的方法多種多樣，從完全非結構化到高度結構化。雖然非結構化剪枝理論上對精度的影響最小，但 GPU 在進行大型密集矩陣乘法方面盡管非常高效，然而在稀疏情況下可能還會遭受顯著的性能下降。PyTorch 最近支持的一種剪枝方法旨在尋求平衡，稱為半結構化（或 2:4）稀疏性。這種稀疏存儲將原始張量減少了 50%，同時產生密集張量輸出。參見下圖的說明。

為了使用這種稀疏存儲格式和相關的快速內核，接下來要做的是剪枝權重。本文在 2：4 的稀疏度下選擇最小的兩個權重進行剪枝，將權重從默認的 PyTorch（“strided”）布局更改為這種新的半結構化稀疏布局很容易。要實現 apply_sparse (model)，只需要 32 行 Python 代碼：

在 2:4 的稀疏度下，本文觀察到 vit_b 和批大小為 32 時的 SAM 峰值性能：

最后，一句話總結這篇文章：本文介紹了迄今為止在 PyTorch 上最快的 Segment Anything 實現方式，借助官方發布的一系列新功能，本文在純 PyTorch 中重寫了原始 SAM，并且沒有損失準確率。

感興趣的讀者可以查看原博客了解更多內容。