File size: 14,945 Bytes
5f847d0 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 | """
Пошаговое декодирование с кэшем состояний + CUDA-граф.
Зачем это нужно. Замер (scripts/13_bench_gen.py) показал странное: один
forward стоит 29 мс и при контексте в 1 токен, и при 1024. Профайлер
объяснил почему -- за forward запускается 1466 отдельных CUDA-ядер, а
считает GPU всего 2.47 мс. То есть 92% времени карта простаивает, ожидая,
пока CPU поставит ей очередную мелкую задачу.
Лечится это CUDA-графом: вся последовательность запусков записывается один
раз и потом воспроизводится одной командой. Но граф требует, чтобы формы
тензоров и адреса памяти не менялись от шага к шагу -- а при генерации без
кэша контекст растёт на каждом токене. Поэтому сначала кэш (он делает вход
всегда равным одному токену), и только потом граф.
Кэш держит:
* для слоёв внимания -- K и V в буфере фиксированного размера MAX_LEN,
заполняемом по индексу; маска отсекает ещё не записанные позиции;
* для слоёв DeltaNet -- состояние дельта-правила [B, H, D, D] и хвост
входа для причинной свёртки (conv_size-1 токенов).
model.py не тронут: здесь только чтение его весов.
"""
import torch
import torch.nn.functional as F
from fla.ops.gated_delta_rule import (chunk_gated_delta_rule,
fused_recurrent_gated_delta_rule)
from .model import apply_rope, build_rope_cache
class Cache:
"""Все состояния модели для одной генерации. Формы фиксированы навсегда."""
def __init__(self, model, batch=1, max_len=1024, device="cuda"):
cfg = model.cfg
self.cfg, self.max_len, self.B = cfg, max_len, batch
dt = next(model.parameters()).dtype
self.attn, self.dn = {}, {}
for i, blk in enumerate(model.blocks):
if blk.is_attn:
self.attn[i] = {
"k": torch.zeros(batch, cfg.n_kv_heads, max_len, cfg.head_dim,
device=device, dtype=dt),
"v": torch.zeros(batch, cfg.n_kv_heads, max_len, cfg.head_dim,
device=device, dtype=dt),
}
else:
m = blk.mixer
self.dn[i] = {
"state": torch.zeros(batch, m.hv, m.hd, m.hd,
device=device, dtype=torch.float32),
"conv": torch.zeros(batch, m.conv_dim, cfg.dn_conv_size - 1,
device=device, dtype=dt),
}
# позиция живёт в видеопамяти: граф читает её как данные, а не как
# число, вшитое в момент записи
self.pos = torch.zeros((), device=device, dtype=torch.long)
self.ar = torch.arange(max_len, device=device)
self.cos, self.sin = build_rope_cache(max_len, cfg.head_dim,
cfg.rope_theta, device, torch.float32)
def reset(self):
for c in self.attn.values():
c["k"].zero_(); c["v"].zero_()
for c in self.dn.values():
c["state"].zero_(); c["conv"].zero_()
self.pos.zero_()
# --------------------------------------------------------------------------- #
# Один шаг: T = 1
# --------------------------------------------------------------------------- #
def _attn_step(mix, h, cache, i):
B = h.shape[0]
c = cache.attn[i]
q = mix.q_norm(mix.q_proj(h).view(B, 1, mix.nh, mix.hd))
k = mix.k_norm(mix.k_proj(h).view(B, 1, mix.nkv, mix.hd))
v = mix.v_proj(h).view(B, 1, mix.nkv, mix.hd)
cos = cache.cos.index_select(0, cache.pos.view(1))
sin = cache.sin.index_select(0, cache.pos.view(1))
q, k = apply_rope(q, cos, sin), apply_rope(k, cos, sin)
# index_copy_ по тензору-индексу: адрес буфера постоянен, меняется
# только содержимое -- ровно то, что нужно графу
c["k"].index_copy_(2, cache.pos.view(1), k.transpose(1, 2))
c["v"].index_copy_(2, cache.pos.view(1), v.transpose(1, 2))
# смотрим на весь буфер, маской отсекая ещё не заполненный хвост
mask = (cache.ar <= cache.pos).view(1, 1, 1, -1)
o = F.scaled_dot_product_attention(q.transpose(1, 2), c["k"], c["v"],
attn_mask=mask, enable_gqa=True)
o = o.transpose(1, 2).reshape(B, 1, mix.nh * mix.hd)
return mix.o_proj(o * torch.sigmoid(mix.g_proj(h)))
def _dn_step(mix, h, cache, i):
B = h.shape[0]
c = cache.dn[i]
qkv = torch.cat([mix.q_proj(h), mix.k_proj(h), mix.v_proj(h)], dim=-1)
# причинная свёртка вручную: хвост прошлых входов + текущий вход
win = torch.cat([c["conv"], qkv.transpose(1, 2)], dim=-1)
conv = F.conv1d(win, mix.conv.weight, groups=mix.conv_dim)
c["conv"].copy_(win[..., 1:])
qkv = F.silu(conv).transpose(1, 2)
q, k, v = qkv.split([mix.k_dim, mix.k_dim, mix.v_dim], dim=-1)
q = q.view(B, 1, mix.hk, mix.hd).repeat_interleave(mix.rep, dim=2)
k = k.view(B, 1, mix.hk, mix.hd).repeat_interleave(mix.rep, dim=2)
v = v.view(B, 1, mix.hv, mix.hd)
beta = torch.sigmoid(mix.b_proj(h).float())
g = -mix.A_log.float().exp() * F.softplus(mix.a_proj(h).float()
+ mix.dt_bias.float())
o, new_state = fused_recurrent_gated_delta_rule(
q=q, k=k, v=v, g=g, beta=beta.to(v.dtype),
initial_state=c["state"], output_final_state=True,
use_qk_l2norm_in_kernel=True)
c["state"].copy_(new_state)
o = mix.o_norm(o).reshape(B, 1, mix.v_dim)
return mix.o_proj(o * torch.sigmoid(mix.g_proj(h)))
def step(model, cache, tok):
"""tok: [B, 1] -> логиты [B, vocab]. Позицию двигает вызывающий."""
x = model.embed(tok)
for i, blk in enumerate(model.blocks):
h = blk.norm1(x)
mix = _attn_step(blk.mixer, h, cache, i) if blk.is_attn \
else _dn_step(blk.mixer, h, cache, i)
x = x + mix
x = x + blk.ffn(blk.norm2(x))
return model.lm_head(model.norm_f(x))[:, -1]
# --------------------------------------------------------------------------- #
# Префилл: весь промпт разом, чтобы не гнать его по одному токену
# --------------------------------------------------------------------------- #
def _attn_prefill(mix, h, cache, i, start):
B, T, _ = h.shape
c = cache.attn[i]
q = mix.q_norm(mix.q_proj(h).view(B, T, mix.nh, mix.hd))
k = mix.k_norm(mix.k_proj(h).view(B, T, mix.nkv, mix.hd))
v = mix.v_proj(h).view(B, T, mix.nkv, mix.hd)
cos, sin = cache.cos[start:start + T], cache.sin[start:start + T]
q, k = apply_rope(q, cos, sin), apply_rope(k, cos, sin)
c["k"][:, :, start:start + T] = k.transpose(1, 2)
c["v"][:, :, start:start + T] = v.transpose(1, 2)
o = F.scaled_dot_product_attention(q.transpose(1, 2),
c["k"][:, :, :start + T],
c["v"][:, :, :start + T],
is_causal=True, enable_gqa=True)
o = o.transpose(1, 2).reshape(B, T, mix.nh * mix.hd)
return mix.o_proj(o * torch.sigmoid(mix.g_proj(h)))
def _dn_prefill(mix, h, cache, i):
B, T, _ = h.shape
c = cache.dn[i]
qkv = torch.cat([mix.q_proj(h), mix.k_proj(h), mix.v_proj(h)], dim=-1)
xt = qkv.transpose(1, 2)
conv = mix.conv(xt)[..., :T]
# хвост входа переносим в кэш: следующему шагу нужен именно он
tail = xt[..., -(mix.cfg.dn_conv_size - 1):]
c["conv"][..., -tail.shape[-1]:].copy_(tail)
qkv = F.silu(conv).transpose(1, 2)
q, k, v = qkv.split([mix.k_dim, mix.k_dim, mix.v_dim], dim=-1)
q = q.view(B, T, mix.hk, mix.hd).repeat_interleave(mix.rep, dim=2)
k = k.view(B, T, mix.hk, mix.hd).repeat_interleave(mix.rep, dim=2)
v = v.view(B, T, mix.hv, mix.hd)
beta = torch.sigmoid(mix.b_proj(h).float())
g = -mix.A_log.float().exp() * F.softplus(mix.a_proj(h).float()
+ mix.dt_bias.float())
o, new_state = chunk_gated_delta_rule(
q=q, k=k, v=v, g=g, beta=beta.to(v.dtype),
initial_state=c["state"], output_final_state=True,
use_qk_l2norm_in_kernel=True)
c["state"].copy_(new_state)
o = mix.o_norm(o).reshape(B, T, mix.v_dim)
return mix.o_proj(o * torch.sigmoid(mix.g_proj(h)))
@torch.no_grad()
def prefill(model, cache, ids):
"""ids: [B, T] -> логиты последней позиции [B, vocab]."""
start = int(cache.pos)
x = model.embed(ids)
for i, blk in enumerate(model.blocks):
h = blk.norm1(x)
mix = _attn_prefill(blk.mixer, h, cache, i, start) if blk.is_attn \
else _dn_prefill(blk.mixer, h, cache, i)
x = x + mix
x = x + blk.ffn(blk.norm2(x))
cache.pos.fill_(start + ids.shape[1] - 1) # позиция ПОСЛЕДНЕГО токена
return model.lm_head(model.norm_f(x))[:, -1]
# --------------------------------------------------------------------------- #
# CUDA-граф вокруг шага
# --------------------------------------------------------------------------- #
class GraphedStep:
"""
Записывает один шаг декодирования в CUDA-граф и потом воспроизводит его.
Граф работает только с теми буферами, что были при записи, поэтому вход
и выход -- постоянные тензоры: пишем в них, запускаем, читаем из них.
"""
def __init__(self, model, cache, warmup=3):
self.model, self.cache = model, cache
self.tok = torch.zeros(cache.B, 1, device="cuda", dtype=torch.long)
# прогрев на отдельном потоке: без него в граф попадут ленивые
# инициализации Triton-ядер, и запись сломается
s = torch.cuda.Stream()
s.wait_stream(torch.cuda.current_stream())
with torch.cuda.stream(s), torch.no_grad():
for _ in range(warmup):
step(model, cache, self.tok)
torch.cuda.current_stream().wait_stream(s)
self.graph = torch.cuda.CUDAGraph()
with torch.no_grad(), torch.cuda.graph(self.graph):
self.logits = step(model, cache, self.tok)
def __call__(self, tok):
self.tok.copy_(tok)
self.graph.replay()
return self.logits
# --------------------------------------------------------------------------- #
# Потоковая генерация поверх графа
# --------------------------------------------------------------------------- #
@torch.no_grad()
def generate(model, cache, graphed, prompt_ids, max_new, temp=0.4, top_p=0.95,
eos_id=0, rep_penalty=1.0, rep_window=256, structural=None,
on_token=None):
"""
Генерирует токены, вызывая on_token(id) по мере готовности.
Семплирование и штраф за повтор считаются ВНЕ графа: внутрь их не
затащить -- там нельзя ветвиться по значению и менять формы. Поэтому
они написаны так, чтобы стоить доли миллисекунды: при 4 мс на шаг
даже одна лишняя аллокация на токен заметна.
Штраф за повтор держит счётчики в векторе на [vocab] и правит их
инкрементально. Наивный вариант (собрать историю в тензор и позвать
torch.unique на каждом шаге) стоил около трети времени шага.
Возвращает (список токенов, причина остановки).
"""
cache.reset()
ids = prompt_ids[:, -(cache.max_len - max_new - 1):] # запас под ответ
logits = prefill(model, cache, ids)
dev = ids.device
hist = ids[0].tolist()
counts = torch.zeros(model.cfg.vocab_size, device=dev)
if rep_penalty > 1.0:
for t in hist[-rep_window:]:
counts[t] += 1
if structural is not None:
counts[structural] = 0 # отступы и переносы не штрафуем
out, why = [], "упёрся в лимит"
for _ in range(max_new):
lg = logits[0].float()
if rep_penalty > 1.0:
factor = rep_penalty ** counts # для counts=0 это ровно 1
lg = torch.where(lg > 0, lg / factor, lg * factor)
if temp <= 0:
nxt = int(lg.argmax())
else:
p = F.softmax(lg / temp, dim=-1)
if top_p < 1.0:
sp, si = torch.sort(p, descending=True)
sp[sp.cumsum(0) - sp > top_p] = 0
sp /= sp.sum()
nxt = int(si[torch.multinomial(sp, 1)])
else:
nxt = int(torch.multinomial(p, 1))
if nxt == eos_id:
why = "закончил сам (EOS)"
break
out.append(nxt); hist.append(nxt)
if rep_penalty > 1.0:
if structural is None or not bool(structural[nxt]):
counts[nxt] += 1
if len(hist) > rep_window: # токен вышел из окна
old = hist[-rep_window - 1]
if structural is None or not bool(structural[old]):
counts[old] -= 1
if on_token is not None:
on_token(nxt)
if int(cache.pos) + 1 >= cache.max_len - 1:
why = "кончился буфер контекста"
break
cache.pos += 1
logits = graphed(torch.tensor([[nxt]], device=dev))
return out, why
|