推理加速papers

《A Survey on Efficient Inference for Large Language Models》2024-07

1. Q、K、V的计算，都是矩阵乘法；

2. prefilling阶段，每次计算，Q是N个向量一起；decoding阶段，每次计算，Q是1个向量计算；

3. 疑问：prefilling阶段，序列里靠前的tokens，能把包括其后面的tokens在内的所有tokens，都进行V的加权和吗？

4. 疑问：不知道的作用是啥？

1. 计算prefilling stage期间，KV Cache剧烈上升，因为一次forward中，要记录下很多(input tokens个)tokens的KV；

2. decoding阶段，因为是一个一个token的生成，所以较慢，KV cache一次增长1个token的，所以增长慢；

3. 一个序列生成完之后，释放2个阶段生成的所有KV cache，显存又回到model size；

4. 因为没有backward，所以activation不需要保存，所以很小，忽略之；

5. 疑问：一开始的那段，可以理解为tokenizing和加载token-ids进显存吗？如果理解为prefilling计算，则每算完一层，KV cache都应该增加一些的；

Post-Training Quantization

1. prefilling阶段，计算是矩阵*矩阵(GEMM)，时间复杂度O(N^3)；加载矩阵时间复杂度O(N^2); 因此是计算密集型；

2. wegith-activation量化，是INT8*INT8的计算，在计算上可以加速；因此适合prefilling阶段；

3. decoding阶段，计算是向量*矩阵(GEMV)，时间复杂度O(N^2)；加载矩阵时间复杂度O(N^2)；因此是访存密集型；

4. weight-only量化，是FP16*FP16的计算，重点不是计算加速，而是读显存加速；因此适合decoding阶段；

1. Weight-only的，一直都用FP16在计算；仅仅是每步把Weight拿出来从INT8反量化为FP16；起到节省模型存放的显存，和加快Weight显存读取的作用；

2. Weight-Activation的，计算是用INT8；除了以上2个好处，新增了加快计算这个好处；每次，INT8的结果INT32，都要反量化为FP16，做一些中间操作（ReLU，LayerNorm等），再交给下一层进行量化为INT8；

Weight-only量化的实验：

1.  将decoding阶段加速约2倍；原因：将Weight矩阵从显存读到计算单元的数据量，减少到一半；

2. prefilling阶段，没有加速，反而略微变慢；原因：该阶段瓶颈是计算，不是访存；反量化反而是增加了一些延迟；

3. decoding阶段，batch-size越大，加速效果约差；原因：计算/访存中，计算的耗时占比增大了，导致访存的加速对整体的贡献比例减少；input context，也是类似现象和原因（计算量在Q、K、V那里增大了，但QKV并没有做量化，因此QKV的访存时间没变，W的访存的那些加速，在整体中的贡献减少了）

4. model越大，加速约大；原因：模型越大，W越大，访存加速效果明显；（疑问：计算量不是也等比增加吗？）