最高加速9倍！字節跳動開源8比特混合精度Transformer引擎（2）

量化技術

int8 量化的加速收益主要來自如下幾個方面：

1. GEMM 精度從 fp16 降低到 int8 后，計算時間縮短；

2. 自定義算子采用 int8 輸入輸出后，數據讀寫時間縮短；

3. 梯度采用 int8 存儲后，多機之間通信時間縮短。

以 Transformer 模型為例，經過 LightSeq fp16 引擎加速后，自定義算子時間大大縮短，而 GEMM 時間占比提升到了 90% 左右，因此優化的重點轉移到了 GEMM 提速。將 fp16 GEMM 替換為 int8 GEMM 不僅可以縮短 GEMM 時間，還可以減小前后算子的輸入輸出位寬，從而減小讀寫數據的時間。最后多機訓練的瓶頸主要在梯度的通信，將梯度量化為 int8 精度可以大大加快分布式訓練的速度。

量化原理

為了彌補量化帶來的精度損失，通常需要用量化感知訓練來模擬量化過程。如上圖所示，量化感知訓練就是將 float GEMM 的兩個 float 輸入分別做一遍量化和反量化（稱之為偽量化結點），離散化成分段的浮點數輸入，然后進行 float GEMM 運算。得到結果后再次進行量化與反量化，得到最終的浮點數結果。而量化的過程是不可導的，因此需要用 STE 方法來估計量化參數的梯度。之所以量化感知訓練中需要插入偽量化結點，然后用 float GEMM 去模擬量化過程，是因為 TensorFlow 和 PyTorch 等訓練框架不支持 int8 GEMM。

而 LightSeq 量化訓練直接采用 int8 GEMM 來真實還原量化過程，因此相比傳統的實現要更快，且更加節省顯存。在推理的時候，同樣采用離散化后的整數進行 int8 GEMM 運算，最后再反量化回浮點數結果。量化推理過程和量化訓練完全一致，并且和傳統的量化感知訓練是完全等價的。

量化位置

整個量化 Transformer 的網絡結構如上圖所示，紅色箭頭表示需要加上量化和反量化結點的位置。

首先所有 int8 GEMM 的輸入和輸出都需要進行量化。由于 int8 GEMM 的 shape 限制，部分 GEMM（例如注意力分數的計算）仍然采用 float GEMM。此外第二層 FFN 的 GEMM 采用的是 int32 的輸出，因為它的 GEMM 輸入是 ReLU 激活函數的輸出結果，只包含正數，非對稱，因此如果采用 int8 輸出的 GEMM，將無法反量化為正確的浮點數結果。

然后所有的模型權重 weight 都需要存儲為 int8 類型，因此需要對 weight 做量化。而權重 bias 參數量較小，無需量化，保留 float 精度反而可以提升模型效果。

最后需要對 decoder 端的 cache 進行量化。因為在推理時，decoder 端的 cache 需要頻繁進行讀寫，因此將 cache 量化為 int8 可以大大加快解碼的速度。

量化策略

將一個浮點數矩陣量化為 int8 整數矩陣有很多方法，LightSeq 采用的是對稱量化，即將正負數范圍對稱的浮點數區間等比例地映射到整數區間 [-127, 127] 上。

而實際上浮點數矩陣的數值范圍通常并不對稱，存在極少的離群值。如果直接按照離群值的范圍來量化矩陣，會影響到量化后的精度，所以需要先對矩陣進行數值截斷。

LightSeq 采用 PACT 方法進行截斷[6]，將截斷的范圍當作模型可學習的參數，然后利用 STE 算法去估計參數的梯度，并進行反向傳播優化。根據實踐經驗，權重 weight 的初始截斷范圍設為[-1, 1]，中間結果的初始截斷范圍設為[-16, 16]，可以在大部分任務上達到最好的效果。最后經過截斷范圍和其他模型參數的聯合優化，量化模型的效果可以達到基本無損。

梯度通信量化

針對分布式訓練場景，LightSeq 推出了梯度量化壓縮技術。即對浮點精度的梯度進行 int8 量化，以減少梯度通信的時間消耗，從而加速訓練，這就是梯度通信量化（GCQ）。

如上圖所示，梯度通信量化的主要流程如下：

1. 計算每張卡上各自梯度的截斷范圍；

2. 對截斷范圍執行 all-reduce max 操作；

3. 每張卡使用統一的截斷范圍對各自梯度進行 int8 量化；

4. 對 int8 梯度執行 all-reduce sum 操作；

5. 每張卡對 all-reduce 后的梯度進行反量化，還原為浮點數梯度，并進行參數更新。

為了解決 int8 梯度在 all-reduce 過程中溢出的問題，LightSeq 首先將每張卡上的浮點數梯度除以卡數，再使用除之前的截斷范圍進行量化，最后進行 all-reduce 操作。這樣每張卡上量化后的 int8 整數 all-reduce 完就不會溢出，但是單卡實際用于量化的比特數也因此而減少，所以目前方案在 2 機 8 卡效果幾乎無損，但隨著卡數的上漲，訓練效果會有所下降。以 en2de 和 en2fr 翻譯任務為例，在 4 機 8 卡上進行分布式量化訓練，BLEU 值分別會下降 0.4 和 1.5 左右。未來 LightSeq 將會持續探索更好的方法來解決這一問題。

通用技術

除了上一章節中提到的量化技術以外，此次更新 LightSeq 還提出了幾種通用的優化技術，不僅可以應用在量化模型中，也適用于其它所有精度模型的訓練與推理。

算子融合

上圖是 encoder 模塊量化訓練的計算圖，LightSeq 將兩次 GEMM 運算之間的所有操作融合成一個算子[7]，減少了 kernel 調用的次數，因此減少了總的計算時間。

圖中黃色矩形表示 int8 GEMM，綠色矩形表示 float GEMM。這里采用 float GEMM 是由于 shape 的限制，不適合使用 int8 GEMM 加速。紅色箭頭表示流動數據的類型是 int8，綠色箭頭表示第二層 FFN 的 GEMM 輸出是 int32 數據類型。int8 GEMM 輸入輸出的量化與反量化操作都被融合到了前后 kernel 里，這不僅可以減少數據搬運，還可以減小顯存占用。

在推理時，LightSeq 還針對 decoder 做了優化。如上圖所示，在計算 self-attention 時，注意力得分的維度是(batch size, 1, sequence length)。因此在計算 value 乘積時，可以不采用 GEMM 運算，而直接手寫加權求和的算子，從而將圖中虛線框中的計算融合成一個 kernel。

自動顯存管理

模型量化引入了更復雜的張量類型和張量依賴關系，這給顯存管理帶來新的挑戰。為此，LightSeq 設計了新的顯存管理機制。如上圖所示，主要包括以下過程：

1. 訓練啟動前，根據每個算子的拓撲依賴關系，自動計算每個張量的生命周期及顯存空間大小。其中，包含動態維度的張量按照此維度的最大量進行計算，例如機器翻譯任務中的最大句長和最大 batch 句子數量。這些最大量在訓練前已被指定；

2. 張量確定生命周期和大小后，分析顯存復用關系。其中，無生命周期重合的張量可以共用一片顯存空間，所有顯存空間都是無數據類型的，可以被分配到任意數據類型的張量上；

3. 根據張量顯存復用關系，申請多段顯存空間，為每個張量分配實際的顯存起止地址。

張量顯存復用的分析，LightSeq 借鑒了論文 [3] 中提出的 Greedy by Size for Offset Calculation 方法，做了三個改進：

1. 支持了整個訓練過程的顯存復用（forward/backward）；

2. 不同數據類型能做到顯存復用（int8/fp16/fp32）；

3. 在多段顯存空間上容納所有張量，而非一段非常大的顯存空間，這樣能有效提升顯存利用率。

自動 GEMM 調優

LightSeq 的 int8 GEMM 采用了 NVIDIA 的 cuBLASLt 庫，這也是目前 NVIDIA 顯卡上最為高效的矩陣運算庫。但是輸入數據的 shape 或者顯卡不同的話，GEMM 所采用的最優配置（例如數據排布、GEMM 算法等等）也可能不同，因此需要進行自動選取。LightSeq 采取的自動調優方案如下：

1. 在多種型號顯卡上（例如 T4 和 A100）進行不同 shape 的 GEMM 最優配置搜索，并將結果保存到配置文件中，用戶只需要下載即可；

2. 模型初始化時，加載對應型號顯卡的配置文件，解析并保存到鍵值對為 (shape, 最優配置) 的字典中。如果沒有對應型號顯卡的配置文件，或者沒有需要的 GEMM shape，那么用戶可以選擇自己搜索并保存，或者直接使用默認配置；

3. 模型前向或后向計算時，根據輸入的 shape 在字典中尋找最優配置，然后進行 GEMM 計算。如果沒有找到對應的 shape，那么直接采用默認的配置。

未來工作

未來 LightSeq 還將繼續探索移動端的低精度量化、反向傳播中梯度的量化、大模型量化等方向。

引用

[1] Wang, Xiaohui, et al. "LightSeq2: Accelerated training for transformer-based models on gpus." arXiv preprint arXiv:2110.05722 (2021).

[2] Micikevicius, Paulius, et al. "Mixed precision training." arXiv preprint arXiv:1710.03740 (2017).

[3] Pisarchyk, Yury, and Juhyun Lee. "Efficient memory management for deep neural net inference." arXiv preprint arXiv:2001.03288 (2020).

[4] Jacob, Benoit, et al. "Quantization and training of neural networks for efficient integer-arithmetic-only inference." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018.

[5] Alistarh, Dan, et al. "QSGD: Communication-efficient SGD via gradient quantization and encoding." Advances in neural information processing systems 30 (2017).

[6] Choi, Jungwook, et al. "Pact: Parameterized clipping activation for quantized neural networks." arXiv preprint arXiv:1805.06085 (2018).

[7] Wang, Xiaohui, et al. "LightSeq: A high performance inference library for transformers." arXiv preprint arXiv:2010.13887 (2020).