AI Infra—如何從 LLM training 轉(zhuǎn) Inference 原創(chuàng)
LLM training轉(zhuǎn)inference需要加強的知識總結(jié)。
這篇附帶一些職業(yè)規(guī)劃的討論，其實Training 和 Inference 在不同公司不同崗位業(yè)務(wù)中的定位不同，但總得來說還是存在下面的區(qū)別：
- LLM Training：包括但不限于優(yōu)化模型架構(gòu)（MoE），調(diào)節(jié)超參數(shù)優(yōu)化loss，訓(xùn)練微調(diào)（SFT， pretrain，RL，蒸餾）等等，這個是把模型訓(xùn)得更聰明的過程。
- LLM Inference：包括PD分離（KV cache 優(yōu)化, Page attention，Radix attention）， 并行（各種parallelism， sharding），通信（NCCL），推理加速（量化），生成穩(wěn)定性監(jiān)控等等，這個是訓(xùn)完模型以后，能讓模型跑得效果更好，也就是更快更穩(wěn)定的過程。
先忽略Training和Inference這兩類型的目前招聘崗位的特點和要求（當(dāng)然大佬可能兩方面都特別強）， 本篇主要介紹從training轉(zhuǎn)infra需要加強哪些方面的內(nèi)容，如何入手。
下面是一個快捷目錄。
1. 分布式系統(tǒng)
2. 推理加速
一、分布式系統(tǒng)
目前大家見到過的并行訓(xùn)練算法，包括但不限于DP，MP，PP，TP，SP/CP，EP等，分別是：
- 數(shù)據(jù)并行（Data Parallel, DP）
- 模型并行（Model Parallel, MP），又可以包括：
a.張量并行（Tensor Parallel, MP）
b.Pipeline并行（Pipeline Parallel, PP）
c.Sequence并行（Sequence Parallel, SP，也可以叫Context Parallel, CP）
- Zero Redundancy Data Parallelism （ZeRO）
- Expert 并行（Expert Parallel, EP）
關(guān)于分布式系統(tǒng)，???大模型面經(jīng)—分布式訓(xùn)練指南???這篇中有詳細介紹，這里著重講一下Expert 并行。
Expert Parallelism（EP）是針對MoE模型訓(xùn)練的特有并行方式，并且可以無沖突跟3D Parallelism結(jié)合。
MoE會在Transformer每層配置多路專家FFN網(wǎng)絡(luò)，再由路由動態(tài)選擇專家并行處理不同輸入，使每個token只經(jīng)過部分專家，顯著降低FLOPs并保持模型容量。EP就是將每層中的所有專家劃分到不同的設(shè)備（GPU/TPU）上。比如16個專家分配8張卡，每卡持有2個專家。
因此在MoE的訓(xùn)練中，使用 EP 不會減少數(shù)據(jù)并行 (DP) 的數(shù)量，因為每個 EP 處理不同的數(shù)據(jù)。
二、推理加速
這塊的話主要還是PD分離的內(nèi)容，就是把推理的預(yù)填充階段（P）和解碼（D）階段分離，對兩階段分別優(yōu)化，提升GPU利用率減少延遲。
下面是當(dāng)前一些常見推理框架的總結(jié)。
圖片來源
想要入手可以推薦把Ray，vLLM或是sglang系統(tǒng)性的刷一遍。
刷一遍之后，大家可以做一個個人項目可以結(jié)合sglang的開源社區(qū)，根據(jù)自己的深度思考建立一個自己的項目，去嘗試優(yōu)化PD分離的架構(gòu)，比如如何優(yōu)化KV Cache Pool, P和D如何進行更優(yōu)的負載均衡設(shè)計等等。
其實Training 和Inference 在實際崗位中已經(jīng)密不可分了，未來最搶手的大概率是既懂Training又懂推理優(yōu)化的，大家一起卷卷吧~
本文轉(zhuǎn)載自??瓦力算法學(xué)研所??，作者：喜歡瓦力的卷卷?
