LookaheadDecoding

LookaheadDecoding

创新并行算法加速大型语言模型推理

LookaheadDecoding项目开发了一种创新的并行解码算法,旨在加速大型语言模型(LLM)的推理过程。该方法不依赖草稿模型或数据存储,而是结合Jacobi迭代和n-gram缓存技术,有效减少解码步骤。实验结果显示,在多个数据集上可将延迟降低1.5到2.3倍。项目提供便捷的安装和使用方式,并支持FlashAttention技术,可广泛应用于各类LLM场景。

Lookahead DecodingLLM并行解码推理加速Jacobi迭代Github开源项目
<div align="center"><h1>&nbsp;使用前瞻解码打破大语言模型推理的顺序依赖</h1></div> <p align="center"> | <a href="https://arxiv.org/abs/2402.02057"><b>论文</b></a> | <a href="https://lmsys.org/blog/2023-11-21-lookahead-decoding/"><b>博客</b></a> | <a href="https://github.com/hao-ai-lab/LookaheadDecoding/issues/13"><b>路线图</b></a> | </p>

新闻 🔥

  • [2024/2] 前瞻解码论文现已在arXiv上发布。现已支持采样FlashAttention。更新了用于更好的令牌预测的高级功能。

介绍

我们介绍前瞻解码:

  • 一种用于加速大语言模型推理的并行解码算法。
  • 无需草稿模型或数据存储。
  • 相对于每个解码步骤使用的计算量对数,线性减少解码步骤数。

以下是前瞻解码加速LLaMa-2-Chat 7B生成的演示:

<div align="center"> <picture> <img src="https://yellow-cdn.veclightyear.com/2b54e442/ac0af38a-470f-4b49-aa1c-947cd9658856.gif" width="80%"> </picture> <br> <div align="center" width="80%"> <em>前瞻解码在LLaMA-2-Chat 7B生成中加速的演示。蓝色字体是在一个解码步骤中并行生成的令牌。</em> </div> <br> </div>

背景:使用雅可比迭代的并行大语言模型解码

前瞻解码受到雅可比解码的启发,该方法将自回归解码视为求解非线性系统,并使用固定点迭代方法同时解码所有未来令牌。以下是雅可比解码的示例。

<div align="center"> <picture> <img src="https://yellow-cdn.veclightyear.com/2b54e442/16bbac0a-2c1f-4cce-9f5e-e5d4d192764d.gif" width="80%"> </picture> <br> <div align="center" width="80%"> <em>应用雅可比迭代方法进行并行大语言模型解码的示意图。</em> </div> <br> </div>

然而,雅可比解码在实际的大语言模型应用中几乎看不到实际的加速效果。

前瞻解码:使雅可比解码可行

前瞻解码利用雅可比解码的能力,通过收集和缓存从雅可比迭代轨迹生成的n-gram。

以下动图展示了通过雅可比解码收集2-gram并验证它们以加速解码的过程。

<div align="center"> <picture> <img src="https://yellow-cdn.veclightyear.com/2b54e442/e3bb8432-0480-4e52-841b-6db5cae7cfb5.gif" width="80%"> </picture> <br> <div align="center" width="80%"> <em>使用2-gram的前瞻解码示意图。</em> </div> <br> </div>

为了提高这个过程的效率,每个前瞻解码步骤被分为两个并行分支:前瞻分支和验证分支。前瞻分支维护一个固定大小的2D窗口,从雅可比迭代轨迹生成n-gram。同时,验证分支选择并验证有希望的n-gram候选。

前瞻分支和验证分支

前瞻分支旨在生成新的N-gram。该分支使用由两个参数定义的二维窗口运行:

  • 窗口大小W:我们在未来令牌位置向前看多远以进行并行解码。
  • N-gram大小N:我们回顾过去的雅可比迭代轨迹多少步以检索n-gram。

在验证分支中,我们识别第一个令牌与最后一个输入令牌匹配的n-gram。这是通过简单的字符串匹配确定的。一旦识别出来,这些n-gram被附加到当前输入,并通过对它们进行大语言模型前向传递来验证。

我们在一个注意力掩码中实现这些分支,以进一步利用GPU的并行计算能力。

<div align="center"> <picture> <img src="https://yellow-cdn.veclightyear.com/2b54e442/8bf73298-05b7-42e6-92a0-9b4ed7af855c.png" width="40%"> </picture> <br> <div align="center" width="80%"> <em>使用4-gram和窗口大小5的前瞻解码的注意力掩码。在这个掩码中,两个4-gram候选(右下)与并行解码同时验证。</em> </div> <br> </div>

实验结果

我们的研究表明,前瞻解码显著降低了延迟,在单个GPU上不同数据集上的加速范围从1.5倍到2.3倍。请参见下图。

<div align="center"> <picture> <img src="https://yellow-cdn.veclightyear.com/2b54e442/72845bde-9ae1-4c24-8e36-4277ec4edd70.png" width="80%"> </picture> <br> <div align="center" width="80%"> <em>前瞻解码在不同模型和数据集上的加速效果。</em> </div> <br> </div>

目录

安装

使用Pip安装

pip install lade

从源代码安装

git clone https://github.com/hao-ai-lab/LookaheadDecoding.git cd LookaheadDecoding pip install -r requirements.txt pip install -e .

使用前瞻解码进行推理

您可以运行最小示例来看到前瞻解码带来的加速。

python minimal.py #不使用前瞻解码 USE_LADE=1 LOAD_LADE=1 python minimal.py #使用前瞻解码,1.6倍加速

您还可以使用前瞻解码与自己的聊天机器人聊天。

USE_LADE=1 python applications/chatbot.py --model_path meta-llama/Llama-2-7b-chat-hf --debug --chat #聊天,使用前瞻 USE_LADE=0 python applications/chatbot.py --model_path meta-llama/Llama-2-7b-chat-hf --debug --chat #聊天,不使用前瞻 USE_LADE=1 python applications/chatbot.py --model_path meta-llama/Llama-2-7b-chat-hf --debug #不聊天,使用前瞻 USE_LADE=0 python applications/chatbot.py --model_path meta-llama/Llama-2-7b-chat-hf --debug #不聊天,不使用前瞻

在自己的代码中使用前瞻解码

您可以在自己的代码中导入并使用前瞻解码,只需三行代码。您还需要在命令行中设置USE_LADE=1或在Python脚本中设置os.environ["USE_LADE"]="1"。请注意,前瞻解码目前仅支持LLaMA。

import lade lade.augment_all() lade.config_lade(LEVEL=5, WINDOW_SIZE=7, GUESS_SET_SIZE=7, DEBUG=0) #LEVEL、WINDOW_SIZE和GUESS_SET_SIZE是前瞻解码中三个重要的配置(N,W,G),请参考我们的博客! #您可以通过在自己的设备上调整LEVEL/WINDOW_SIZE/GUESS_SET_SIZE来获得更好的性能。

然后您可以加速解码过程。以下是使用贪婪搜索的示例:

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16, device_map=torch_device)
model_inputs = tokenizer(input_text, return_tensors='pt').to(torch_device)
greedy_output = model.generate(**model_inputs, max_new_tokens=1024) #获得加速

以下是使用采样的示例:

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16, device_map=torch_device)
model_inputs = tokenizer(input_text, return_tensors='pt').to(torch_device)
sample_output = model.generate(**model_inputs, max_new_tokens=1024, temperature=0.7) #获得加速

FlashAttention支持

安装原始FlashAttention

pip install flash-attn==2.3.3 #原始FlashAttention

安装专门用于前瞻解码的FlashAttention有两种方法

  1. https://github.com/Viol2000/flash-attention-lookahead/releases/tag/v2.3.3 下载预构建包并安装(快速,推荐)。 例如,我的cuda==11.8,python==3.9和torch==2.1,我应该执行以下操作:
wget https://github.com/Viol2000/flash-attention-lookahead/releases/download/v2.3.3/flash_attn_lade-2.3.3+cu118torch2.1cxx11abiFALSE-cp39-cp39-linux_x86_64.whl pip install flash_attn_lade-2.3.3+cu118torch2.1cxx11abiFALSE-cp39-cp39-linux_x86_64.whl
  1. 从源代码安装(慢,不推荐)
git clone https://github.com/Viol2000/flash-attention-lookahead.git cd flash-attention-lookahead && python setup.py install

以下是使用FlashAttention运行模型的示例脚本:

python minimal-flash.py #不使用前瞻解码,使用FlashAttention USE_LADE=1 LOAD_LADE=1 python minimal-flash.py #使用前瞻解码,使用FlashAttention,比不使用FlashAttention快20%

在您自己的代码中,调用config_lade时需要设置USE_FLASH=True,调用AutoModelForCausalLM.from_pretrained时需要设置attn_implementation="flash_attention_2"

import lade lade.augment_all() lade.config_lade(LEVEL=5, WINDOW_SIZE=7, GUESS_SET_SIZE=7, USE_FLASH=True, DEBUG=0) tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16, device_map=torch_device, attn_implementation="flash_attention_2") model_inputs = tokenizer(input_text, return_tensors='pt').to(torch_device) greedy_output = model.generate(**model_inputs, max_new_tokens=1024) #获得加速

我们将直接将FlashAttention集成到这个仓库中,以简化安装和使用。

引用

@misc{fu2024break, title={Break the Sequential Dependency of LLM Inference Using Lookahead Decoding}, author={Yichao Fu and Peter Bailis and Ion Stoica and Hao Zhang}, year={2024}, eprint={2402.02057}, archivePrefix={arXiv}, primaryClass={cs.LG} }

指南

核心实现在decoding.py中。前瞻解码需要针对每个特定模型进行适配。models/llama.py中有一个示例。

编辑推荐精选

蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

下拉加载更多