剛學習LLM的時候，只會知道要用GPU，因為他的平行計算能力比較快。不過真的只有這樣嗎？

(圖源: 自製)

在運算的過程中，最主要會消耗的是大量的記憶體（資料暫存、傳輸速度），還有計算資源（運算力、計算速度），這篇文章主要參考了NVIDIA BLOG的文章，再加上筆者的整理，來介紹LLM推理過程中哪些地方會用到這兩個部分吧！

在這之前，要讀懂這篇文章有一些必須先熟悉的基礎在，筆者將對應的李宏毅教授yt課連結放上去。

LLM基本上就是堆疊了很多的transformer，因為是autoregressive模型，推理的過程中，會將一系列的tokens作為輸入，預測下一個出現的單字，重複這個循環，直到滿足停止條件，像是字數限制、stopwords。而當然，不同的LLM會有不同的tokenizers。

這邊一共分成了兩個階段：

Prefill phase or processing the input 預填充階段或處理輸入

在prefill階段，LLM會將所有input tokens去做處理，計算中間的狀態 (intermediate states, keys, values)，用來產生第一個新token。雖然才剛說過每個token都依賴前一個token，但由於這邊的輸入範圍已經知道是所有input tokens，透過一次foward完成，所以可以一次做出大量矩陣-矩陣之間平行運算，這會使GPU利用率大增加，產生第一個token的速度依賴GPU的運算能力，也就是Compute Bound的任務。

Decode phase or generating the output 解碼階段或產生輸出

在decode階段，在停止條件之前，LLM每次輸出會用到先前迭代的所有輸出狀態 (keys, values)，為了避免重複計算，會使用KV快取來存前面的狀態資料。跟前一個階段比起來，這邊開始的矩陣計算會從矩陣-矩陣，變成矩陣-向量，因此不會用到太多GPU運算能力。且一次只會跑一次forward，如果最後輸出N個Token，那他會跑N-1次forward，這邊不能平行執行，只能串流執行，所以GPU的使用效率很低。這裡更在乎的是暫存資料 (weights, keys, values, activations)從記憶體傳送到GPU的速度，這個讀取速度才是延遲的速度，而非推理上的延遲，也就是Memory Bound的操作。不過一旦當輸出序列變長，推理的延遲也會稍微增加。

因此可以知道LLM推理上最大的問題是Memory Bound的時間！
所以目前大部分的優化方式都在這個階段完成，會在後續的章節 (System-level / Hardware-Level Optimization)中做介紹。

另外補充說明，這邊的資料傳輸速度不是指網路的速度，而是記憶體頻寬 (Memory Bandwidth)。
這是GPU在每秒內可以從記憶體讀取或寫入的資料量，通常以GB/s (Gigabytes per second)為單位。

在單一電腦的GPU跑LLM的話，KV快取的讀寫只需要考慮到Memory Bandwidth，但是也有狀況是多GPU、clusters的情況下，彼此之間會需要做資料讀取，就會有網路傳輸的速度在了。
這部分也會在後續的章節中提到！

KV Cache

如圖所示，decode階段的計算依賴先前所有token的KV張量，包含prefill階段input token的計算KV，還有當前時間之前計算的所有KV張量。

為了避免在每個步驟都重新進行大計算，所以會將這些張量緩存在GPU的記憶體中。每次迭代，他們都會被加到正在運行的快取當中，讓下一次迭代去使用他們。

如圖粉紫色的地方，也就是犧牲記憶體的用量，大量減少運算資源，結果來看是滿划算的，所以這個方法目前是被廣泛使用的。

(圖源: NVIDIA DeveloperTechnical Blog)

LLM記憶體需求

剛剛介紹了計算上的KV快取，但KV快取並不是LLM唯一卡在記憶體上佔空間的東西，我們不能忘記最重要又肥大的模型權重！

1. 模型權重 - 模型參數佔用的記憶體。舉例來說，Llama-2-7B就是70億個參數。
   如果我們用半精度浮點數去加載他，就會佔用7B * sizeof(FP16) ~= 14 GB的記憶體！
2. KV快取 - 前面提到的Self-Attention張量的快取佔用內存，以避免重複計算。

所以真正記憶體的消耗 = 模型權重 + KV快取

假如我們使用batch處理請求，batch中每個請求的KV快取都是獨立分配的，也會各自佔用大量的記憶體。為了要更簡單的了解，先來看他的計算公式：

每個token的 KV 快取大小（以bytes為單位） = 2 * (num_layers) * (num_heads * dim_head) * precision_in_bytes

其中，2代表了K和V的矩陣。通常來說(num_heads * dim_head)的值會跟模型卡中transformer的hidden_size（或模型的維度，d_model）相同。

模型卡通常就是每個模型的config.json

如果是半精度(FP16)的話:

KV 快取的總大小（以bytes為單位） = (batch_size) * (sequence_length) * 2 * (num_layers) * (hidden_size) * sizeof(FP16)

EX：16-bit的Llama-2-7B模型，Batch size=1，KV快取就是1 * 4096 * 2 * 32 * 4096 * 2，大約2GB。

LLM不同的精度介紹

上面提到的FP16是最常使用來載入LLM的精度之一，因為它不需要用到FP32這麼多記憶體消耗，至於還有哪一些我們也在這章簡單介紹一下。

• 雙精度浮點數（FP64）：64位浮點數，用在最高精度的科學計算，如氣候模型、金融分析。

• 單精度浮點數（FP32）：32位浮點數，大多數深度學習框架（TensorFlow、PyTorch）默認使用FP32。

• Tesla P32（TF32）：32位浮點數，NVIDIA CUDA Compute Capability 8以上的GPU支援。

• 半精度浮點數（FP16）：16位浮點數。

• bfloat16（BF16）：16位浮點數，與FP16有相同的指數範圍，犧牲了一些精度，但與和FP32之間的轉換方便。

• 8位浮點數（FP8）：8位浮點數。

• 4位浮點數（FP4）：4位浮點數。

• 4位固定點數（NF4）：一些研究使用FN4進行模型量化。

• INT8：8位整數，常見的量化精度。

• INT4：4位整數，同樣為量化精度。

在推理的部分，LLM最常見的是BF16、FP16、INT8，主要就是看模型選擇和硬體設備支援的精度格式，硬體設備的部分後面有關GPU的章節會提到。

章節總結

經過簡單的文章整理，我們現在知道當我們要使用LLM，時間上不只是要仰賴GPU的推理計算能力，還有記憶體的容量和I/O。前者在prefill階段特別重要，而後者的decode階段比較重要。而LLM的記憶體主要是包含了模型權重和KV快取。

接下來在下一個章節來介紹LLM的推理上有什麼評估指標。
之後的文章應該就不會這麼長了XD

(圖源: 自製)

參考資料

Mastering LLM Techniques: Inference Optimization
https://developer.nvidia.com/blog/mastering-llm-techniques-inference-optimization/
淺談DeepLearning的浮點數精度FP32/FP16/TF32/BF16……..(以LLM為例)
https://medium.com/@averyaveavi/%E6%B7%BA%E8%AB%87deeplearning%E7%9A%84%E6%B5%AE%E9%BB%9E%E6%95%B8%E7%B2%BE%E5%BA%A6fp32-fp16-tf32-bf16-%E4%BB%A5llm%E7%82%BA%E4%BE%8B-9bfb475e50be