FasterTransformer 001 start up

FasterTransformer

• Faster Transformer是一个Transformer单层前向计算的高效实现。一个函数由多个OP组合实现。每一个基本OP都会对应一次GPU kernel的调用，和多次显存读写。OP融合可以降低GPU调度和显存读写，进而提升性能。在Faster Transformer，作者将除矩阵乘法以外的所有kernel都进行了尽可能的融合。

NVIDIA 博客在2019-07-15的介绍：

• 目前优化集中在编码器（encoder）的前向计算（解码器decoder开发在后续特性规划中）。底层由CUDA和cuBLAS实现，支持FP16和FP32两种计算模式，其中FP16可以充分利用Volta和Turing架构GPU上的Tensor Core计算单元。
  Faster Transformer共接收4个输入参数。首先是attention head的数量以及每个head的维度。这两个参数是决定Transformer网络结构的关键参数。
  这两个参数的动态传入，可以保证Faster Transformer既支持标准的BERT-BASE（12 head x 64维），也支持裁剪过的模型（例如，4 head x 32维），或者其他各式专门定制化的模型。其余两个参数是Batch Size 和句子最大长度。
  出于性能考虑，目前句子最大长度固定为最常用的32，64 和128三种，未来会支持任意长度。Faster Transformer对外提供C++ API，TensorFlow OP 接口，以及TensorRT插件，并提供了相应的示例，用以支持用户将其集成到不同的线上应用代码中。
  NVIDIA BERT推理解决方案Faster Transformer开源啦，这篇文章还有单层计算attention的图解，可结合代码查看

Jul 29, 2021 v1.0版本的介绍

• Faster Transformer 建立在 CUDA 和 cuBLAS 之上。它支持大于 3 且小于或等于 1024 的序列长度。变压器层的两个关键参数，即磁头的数量和每个磁头的大小，在运行时传递。因此，不仅BERT Base（12头* 64头），而且定制型号，如4头* 32/头和8头* 96每头，都得到了很好的支持。我们的实现在小批量和大批量情况下都显示出良好的加速。

v1.0_tag

• https://github.com/NVIDIA/FasterTransformer/tree/release/v1.0_tag

• 环境准备

• 下边的操作有点麻烦，这个链接给出了dockerfile https://github.com/NVIDIA/TensorRT/tree/release/5.1/docker

• sudo docker run -it --shm-size 8gb --rm --gpus=all -v ${PWD}:/test nvcr.io/nvidia/cuda:10.0-cudnn7-devel-ubuntu16.04 bash

• cd /test/FastT

• git clone https://github.com/NVIDIA/FasterTransformer.git

• apt-get update

• apt-get install git

• 下载 FasterTransformer-release-v1.0_tag.zip git clone -b release/v1.0_tag --depth=1 https://github.com/NVIDIA/FasterTransformer.git

• apt-get install zip

• unzip FasterTransformer-release-v1.0_tag.zip

• git submodule init && git submodule update

bulid

• mkdir -p build && cd build
• wget https://github.com/Kitware/CMake/releases/download/v3.26.3/cmake-3.26.3-linux-x86_64.sh
• bash ./cmake-3.26.4-linux-x86_64.sh --skip-licence --prefix=/usr
• export PATH=“/usr/cmake-3.26.4-linux-x86_64/bin:$PATH”
• cmake -DSM=86 -DCMAKE_BUILD_TYPE=Release -DBUILD_PYT=ON -DBUILD_MULTI_GPU=ON .. or cmake -DSM=xx -DCMAKE_BUILD_TYPE=Release .. # C++ only

CMake Error at CMakeLists.txt:109 (add_subdirectory):
  The source directory
    /test/FastT/code/FasterTransformer/tools
  does not contain a CMakeLists.txt file.

• 原因：在https://github.com/NVIDIA/FasterTransformer/blob/release/v1.0_tag/CMakeLists.txt有 add_subdirectory(tools)
• 所以将其修改成 add_subdirectory(tools/gemm_test)了

make

• make
• maybe error : nvcc fatal : redefinition of argument ‘std’
• https://github.com/facebookresearch/DetectAndTrack/issues/57 : Try to find out all --std=c++11 and removed

这个错误通常是由于您在使用`-ccbin`选项时指定了一个使用了不同的C++标准库的编译器而引起的。

加入`-Xcompiler -stdlib=libstdc++`选项可以明确告诉`nvcc`使用`libstdc++`标准库。例如：

nvcc -ccbin g++-7 -Xcompiler -stdlib=libstdc++ your_file.cu -o your_executable

可以在`-ccbin`选项中指定您需要使用的C++编译器，然后在`-Xcompiler`选项中指定需要使用的标准库，以解决此问题。如果您不知道应该使用哪个编译器和标准库，请参考您的CUDA安装说明文档或咨询CUDA社区。

TEST

• ./bin/gemm_fp16 100 12 32 64 # 在路径构建下生成gemm_config.in文件，以选择gemm算法以获得最佳性能。
  

• c++ demos: ./build/bin/transformer_fp16 100 12 32 64

Useful sample code

$ 1. sample/tensorflow/transformer_fp32.py: transformer_layer Tensorflow FP32 OP call, time measurement, timeline generation
$ 2. sample/tensorflow/transformer_fp16.py: transformer_layer Tensorflow FP16 OP call, time measurement, timeline generation
$ 3. sample/tensorflow/error_check.py: how to catch custom OP runtime errors
$ 4. sample/cpp/transformer_fp32.cc: transformer layer C++ FP32 sample
$ 5. sample/cpp/transformer_fp16.cc: transformer layer C++ FP16 sample
$ 6. sample/tensorRT/transformer_trt.cc: transformer layer tensorRT FP32/FP16 sample
$ 7. tools/gemm_test/gemm_fp16.cu: loop over all cublas FP16 GEMM algorithms and pick the best one
$ 8. tools/gemm_test/gemm_fp32.cu: loop over all cublas FP32 GEMM algorithms and pick the best one

CG

• https://developer.nvidia.com/cuda-example

• https://github.com/NVIDIA/FasterTransformer

• 构建FasterTransformer : 推荐使用Nvidia官方提供的镜像，如： nvcr.io/nvidia/tensorflow:22.09-tf1-py3 、 nvcr.io/nvidia/pytorch:22.09-py3等，当然也可以使用Pytorch官方提供的镜像。

• 使用 FasterTransformer 和 Triton 推理服务器部署 GPT-J 和 T5

• FasterTransformer 中的优化

• https://on-demand.gputechconf.com/gtc-cn/2019/pdf/CN9468/presentation.pdf

• FasterTransformer 2.0优化——公开课听课笔记

• 跑ChatGPT体量模型，从此只需一块GPU：加速百倍的方法来了

• https://github.com/prabhuomkar/pytorch-cpp/blob/master/tutorials/basics/pytorch_basics/CMakeLists.txt