紅魔電競平板評測：大屏幕硬實(shí)力
前言：三年的疫情因?yàn)橐暇W(wǎng)課的原因激活了平板市場，如今網(wǎng)課的時(shí)代已經(jīng)過去，大家的生活都恢復(fù)到了正軌，這也就意味著，真正考驗(yàn)平板電腦生存的環(huán)境來了。也就是面對著這種殘酷的
經(jīng)過社區(qū)開發(fā)者們幾個(gè)月的開發(fā)與貢獻(xiàn)，現(xiàn)正式發(fā)布昇思MindSpore2.3.RC1版本，通過多維混合并行以及確定性CKPT來實(shí)現(xiàn)超大集群的高性能訓(xùn)練，支持大模型訓(xùn)推一體架構(gòu)，大模型開發(fā)訓(xùn)練推理更簡、更穩(wěn)、更高效，并在訓(xùn)推一體框架的基礎(chǔ)上通過多樣的大模型推理優(yōu)化技術(shù)，進(jìn)一步降低大模型推理成本；通過使能kernel by kernel調(diào)度執(zhí)行，進(jìn)一步提升靜態(tài)圖調(diào)試調(diào)優(yōu)能力；持續(xù)升級MindSpore TransFormers大模型套件和MindSpore One生成式套件，全流程開箱即用，一周即可完成大模型全流程的開發(fā)、驗(yàn)證；創(chuàng)新AI+科學(xué)計(jì)算（科學(xué)智能）范式，孵化科學(xué)領(lǐng)域基礎(chǔ)大模型；下面就帶大家詳細(xì)了解下2.3.RC1版本的關(guān)鍵特性。
大模型訓(xùn)練下，為了降低顯存開銷，廣泛的使用算子級并行技術(shù)，其中引入了大量的模型并行的通信，極大地影響了大模型的訓(xùn)練效率。模型并行的通信，從網(wǎng)絡(luò)的結(jié)構(gòu)上來看，其處于正反向計(jì)算過程中，阻塞正反向計(jì)算，無法與正反向的計(jì)算進(jìn)行互相掩蓋。為了解決模型并行通信的掩蓋問題，MindSpore提出了多副本并行技術(shù)。
在舊版本的MindSpore上，通過將網(wǎng)絡(luò)從數(shù)據(jù)開始進(jìn)行拆分，如下圖所示，在單張卡內(nèi)，通過slice算子將Batch維度進(jìn)行拆分，進(jìn)而產(chǎn)生多個(gè)分支，這多個(gè)分支的計(jì)算與通信互相之間沒有依賴，存在并發(fā)的空間，通過執(zhí)行序調(diào)度算法，控制多個(gè)分支的計(jì)算與通信進(jìn)行并發(fā)。
隨著網(wǎng)絡(luò)規(guī)模的增大，受限于顯存限制，當(dāng)一張卡內(nèi)的BatchSize僅支持為1時(shí)，上述對整網(wǎng)進(jìn)行Batch拆分的方案不再可行。因此，考慮到模型并行通信的位置，昇思MindSpore2.3.RC1版本將Transformer模型中的AttentionProjection層以及FFN層進(jìn)行拆分，產(chǎn)生多個(gè)分支，通過執(zhí)行序調(diào)度算法控制細(xì)粒度的多分支的并行，其中拆分從AttentionProjection開始，到下一個(gè)Layer的QKV計(jì)算前結(jié)束。
上圖描述了序列并行場景下的細(xì)粒度多副本拆分與掩蓋基本思路，拆分為兩個(gè)副本，在正向可以達(dá)成50%+的通信掩蓋；而在反向，結(jié)合計(jì)算梯度的分支的計(jì)算與TP通信的掩蓋，可達(dá)成90%的通信的掩蓋。當(dāng)前細(xì)粒度多副本并行僅在MindSpore Transformers的LLAMA網(wǎng)絡(luò)進(jìn)行了實(shí)現(xiàn)，需要對模型結(jié)構(gòu)進(jìn)行手動改造為多個(gè)副本。后續(xù)版本昇思MindSpore將集成自動拆分副本的邏輯，達(dá)成更易用的細(xì)粒度多副本并行。
參考鏈接：https://www.mindspore.cn/tutorials/experts/zh-CN/master/parallel/multiple_copy.html
大模型大規(guī)模商用之后，推理消耗的算力規(guī)模將十分龐大，相應(yīng)地帶來高昂的成本，商業(yè)閉環(huán)依賴推理規(guī)模突破。在降低大模型推理的成本的同時(shí)，要兼顧模型精度和計(jì)算時(shí)延，不能影響用戶的體驗(yàn)。昇思MindSpore 2.3.RC1版本，從最上層推理服務(wù)到模型腳本優(yōu)化到推理引擎LLM Serving，為用戶提供端到端的高效推理解決方案。
模型腳本默認(rèn)使能了增量推理、FlashAttention/PagedAttention等推理加速技術(shù)，避免了模型導(dǎo)出、切分、推理腳本開發(fā)等一系列工作，訓(xùn)練到推理加速平滑遷移，部署周期下降到天級。
融合大算子：新增10+業(yè)界最新的推理融合大算子接口，模型開發(fā)人員可以快速使能推理融合算子實(shí)現(xiàn)加速。
并行推理：訓(xùn)練推理并行策略接口一致，提供訓(xùn)練并行到推理并行ckpt重切分接口，支持動態(tài)shape模型切分。
模型壓縮：昇思MindSpore金箍棒升級到2.0版本，提供了針對大模型的業(yè)界SOTA以及華為諾亞自研的量化、減枝等算法，實(shí)現(xiàn)千億大模型10倍+壓縮。
以上技術(shù)均可泛化的應(yīng)用于Transformer結(jié)構(gòu)的大模型中，經(jīng)過驗(yàn)證，在盤古、Llama 2的8卡模型推理中，首token時(shí)延做到百ms級，平均token時(shí)延小于50ms，保持業(yè)界領(lǐng)先水平。
通過連續(xù)批調(diào)度、Prefill/Decoding混合部署等手段，盡可能的消除掉冗余計(jì)算，確保算力不閑置，實(shí)現(xiàn)大模型推理吞吐提升2倍+。
參考鏈接：https://www.mindspore.cn/lite/docs/zh-CN/r2.3.0rc1/use/cloud_infer/runtime_distributed_python.html
整圖下沉執(zhí)行性能最優(yōu)，但大模型的規(guī)模和參數(shù)量發(fā)展得更為龐大，整圖下沉執(zhí)行方式在整圖編譯過程中耗時(shí)較長，一個(gè)千億級別的大模型的編譯時(shí)間為30分鐘-60分鐘，調(diào)試調(diào)優(yōu)效率低下。為解決上述問題，昇思MindSpore2.3.RC1版本中，提供了多級編譯技術(shù)，O0原生構(gòu)圖不優(yōu)化、O1增加自動算子融合優(yōu)化、O2整圖下沉執(zhí)行優(yōu)化。在O0的編譯選項(xiàng)下，通過原生圖編譯和kernel by kernel（KBK）的執(zhí)行技術(shù)，可以將編譯時(shí)間提升到15分鐘以內(nèi)，同時(shí)我們在新版本中還開發(fā)了DryRun技術(shù)，用戶可以直接在離線的情況進(jìn)行內(nèi)存瓶頸分析和并行策略調(diào)優(yōu)，結(jié)合這兩大技術(shù)可以使得大模型調(diào)試效率倍增。在O0這種編譯條件下，我們使能了SOMAS/LazyInline/控制流Inline來提升內(nèi)存復(fù)用率，使能了多流并行/流水異步調(diào)度，可以提升執(zhí)行性能；在O1這種編譯條件下，通過使能算子融合技術(shù)，KBK執(zhí)行模式下可以有更好的執(zhí)行性能。
參考鏈接：https://www.mindspore.cn/docs/zh-CN/r2.3.0rc1/api_python/mindspore/mindspore.JitConfig.html?highlight=jitconfig
昇思MindSpore支持圖模式（靜態(tài)圖）和PyNative模式（動態(tài)圖）兩種運(yùn)行方法。動態(tài)圖易于調(diào)試，開發(fā)靈活，易用性好；靜態(tài)圖語法支持有限，但執(zhí)行性能好。JIT兼顧性能和易用性，通過對Python字節(jié)碼進(jìn)行分析&調(diào)整、執(zhí)行流進(jìn)行圖捕獲&圖優(yōu)化，支持入圖的Python代碼做靜態(tài)圖方式執(zhí)行，不支持的進(jìn)行子圖切分以動態(tài)圖方式執(zhí)行，自動地做到動靜統(tǒng)一，實(shí)現(xiàn)方法如下圖所示。
參考鏈接：https://www.mindspore.cn/docs/zh-CN/r2.3/design/dynamic_graph_and_static_graph.html#%E5%8A%A8%E6%80%81%E5%9B%BE%E8%BD%AC%E9%9D%99%E6%80%81%E5%9B%BE%E6%8A%80%E6%9C%AF
MindSpore Elec電磁仿真套件升級至0.3版本，聯(lián)合清華大學(xué)李懋坤教授團(tuán)隊(duì)、華為先進(jìn)計(jì)算與存儲實(shí)驗(yàn)室共同打造了基于昇思MindSpore的大地電磁（Magnetotelluric，MT）智能反演模型。該模型通過變分自編碼器（VAE）靈活嵌入了多物理先驗(yàn)知識，達(dá)到了業(yè)界SOTA。該成果已被國際頂級勘探地球物理期刊《Geophysics》收錄，同時(shí)也在昇思人工智能框架峰會2024上發(fā)布亮相。
（1）基礎(chǔ)MT反演：反演區(qū)域水平長度為10km，深度為1km。下圖1中目標(biāo)電阻率分布（第一列）與傳統(tǒng)大地電磁反演（第二列）、大地電磁智能反演（第三列），可以看出大地電磁智能反演相比傳統(tǒng)反演精度顯著提升（前者殘差為0.0056和0.0054；后者為0.023和0.024 ）；下圖2中，大地電磁智能反演性能也優(yōu)于傳統(tǒng)反演方法（前者收斂步數(shù)為4和4；后者為6和4）。
目標(biāo)電阻率 | 傳統(tǒng)方法 | 我們的工作 |
|
|
|
|
|
|
圖1 大地電磁反演精度對比
|
|
圖2 大地電磁反演收斂速度對比（Pixel-based：傳統(tǒng)反演；Feature-based：我們的工作）
（2）南部非洲MT反演：大地電磁智能反演模型也在南部非洲開源數(shù)據(jù)集（SAMTEX）上做了驗(yàn)證。該反演區(qū)域位于南部非洲西海岸附近，長度約為750km，深度選定為80km。該測區(qū)顯著特征為在水平方向100km至400km之間，深度20km以淺的區(qū)域存在的高導(dǎo)結(jié)構(gòu)。由于低頻電磁波在導(dǎo)體結(jié)構(gòu)中的衰減，MT方法對高導(dǎo)結(jié)構(gòu)下部區(qū)域的敏感度很低, 因此無先驗(yàn)知識約束的傳統(tǒng)MT反演難以準(zhǔn)確重建高導(dǎo)地層的下邊界位置。大地電磁智能反演對高導(dǎo)地層的下邊界重建較為清晰準(zhǔn)確，較好地將地層厚度的先驗(yàn)知識融入了反演。
圖3 南部非洲MT反演示例圖（上圖：傳統(tǒng)反演；下圖：我們的工作）
參考鏈接：https://gitee.com/mindspore/mindscience/tree/master/MindElec
本文鏈接：http://www.www897cc.com/showinfo-26-85543-0.html大模型首選AI框架——昇思MindSpore2.3.RC1版本上線開源社區(qū)
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號