From d7b6d26843ea1a5338f5c34ef46dff1a08206034 Mon Sep 17 00:00:00 2001 From: JustinLin610 Date: Sun, 13 Aug 2023 13:20:47 +0800 Subject: [PATCH] update readme --- README.md | 6 +++--- README_JA.md | 48 +++++++++++++++++++++++++++++++++++++++++------- 2 files changed, 44 insertions(+), 10 deletions(-) diff --git a/README.md b/README.md index 3d5af62..ee1aa3c 100644 --- a/README.md +++ b/README.md @@ -242,7 +242,7 @@ With this method, it is available to load Qwen-7B in `NF4` and `Int8`, which sav | Int8 | 52.8 | 10.44G | | NF4 | 48.9 | 7.79G | -Note: The GPU memory usage profiling in the above table is performed on single A100-SXM4-80G GPU, PyTorch 2.0.1 and cuda 11.8, with flash attention used. +Note: The GPU memory usage profiling in the above table is performed on single A100-SXM4-80G GPU, PyTorch 2.0.1 and CUDA 11.8, with flash attention used. ## Inference Efficiency @@ -256,11 +256,11 @@ We measured the average inference speed of generating 2K tokens under BF16 preci | Int8 (bnb) | 7.94 | 7.86 | | NF4 (bnb) | 21.43 | 20.37 | -In detail, the setting of profiling is generating 2048 new tokens with 1 context token. The profiling runs on single A100-SXM4-80G GPU with PyTorch 2.0.1 and cuda 11.8. The inference speed is averaged over the generated 2048 tokens. +In detail, the setting of profiling is generating 2048 new tokens with 1 context token. The profiling runs on single A100-SXM4-80G GPU with PyTorch 2.0.1 and CUDA 11.8. The inference speed is averaged over the generated 2048 tokens. ### GPU Memory Usage -We also profile the peak GPU memory usage for encoding 2048 tokens as context (and generating single token) and generating 8192 tokens (with single token as context) under BF16 or Int8/NF4 quantization levels, respectively. The results are shown below +We also profile the peak GPU memory usage for encoding 2048 tokens as context (and generating single token) and generating 8192 tokens (with single token as context) under BF16 or Int8/NF4 quantization levels, respectively. The results are shown below. When using flash attention, the memory usage is: diff --git a/README_JA.md b/README_JA.md index 7d5ad32..4facfca 100644 --- a/README_JA.md +++ b/README_JA.md @@ -239,15 +239,49 @@ model = AutoModelForCausalLM.from_pretrained( この方法では、Qwen-7B を `NF4` と `Int8` でロードすることができ、メモリ使用量を節約できる。以下にモデル性能の関連統計量を示します。量子化により、有効性は若干低下するが、推論効率は大幅に向上し、メモリコストが削減されることがわかります。 -| Precision | MMLU | Memory | -| :---------: | :------: | :------: | -| BF16 | 56.7 | 16.2G | -| Int8 | 52.8 | 10.1G | -| NF4 | 48.9 | 7.4G | +| Precision | MMLU | GPU Memory for Loading Model | +| ----------- | :------: | :---------------------------: | +| BF16 | 56.7 | 16.38G | +| Int8 | 52.8 | 10.44G | +| NF4 | 48.9 | 7.79G | -## +注：上表のGPUメモリ使用量プロファイリングは、シングルA100-SXM4-80G GPU、PyTorch 2.0.1、CUDA 11.8、フラッシュアテンション使用で実行されています。 -`cli_demo.py` に CLI のデモ例を用意しています。ユーザはプロンプトを入力することで Qwen-7B-Chat と対話することができ、モデルはストリーミングモードでモデルの出力を返します。 +## 推論効率 + +### 推論スピード + +BF16精度、量子化レベルInt8またはNF4で、それぞれ2Kトークンを生成する平均推論速度を測定した。 + +| Quantization Level | Inference Speed with flash_attn (tokens/s) | Inference Speed w/o flash_attn (tokens/s) | +| ------ | :---------------------------: | :---------------------------: | +| BF16 (no quantization) | 30.06 | 27.55 | +| Int8 (bnb) | 7.94 | 7.86 | +| NF4 (bnb) | 21.43 | 20.37 | + +詳細には、プロファイリングの設定は、1コンテクスト・トークンで2048の新しいトークンを生成している。プロファイリングは、PyTorch 2.0.1とCUDA 11.8を搭載したシングルA100-SXM4-80G GPUで実行される。推論速度は生成された2048個のトークンの平均です。 + +### GPUメモリ使用量 + +また、BF16またはInt8/NF4量子化レベルの下で、2048個のトークンをコンテキストとしてエンコードした場合（および単一のトークンを生成した場合）と、8192個のトークンを生成した場合（単一のトークンをコンテキストとして生成した場合）のGPUメモリ使用量のピーク値をそれぞれプロファイリングしました。結果を以下に示す。 + +Flash attentionを使用した場合のメモリ使用量は以下の通りである： + +| Quantization Level | Peak Usage for Encoding 2048 Tokens | Peak Usage for Generating 8192 Tokens | +| --- | :---: | :---: | +| BF16 | 18.11GB | 23.52GB | +| Int8 | 12.17GB | 17.60GB | +| NF4 | 9.52GB | 14.93GB | + +Flash attentionを使用しない場合、メモリ使用量は次のようになる： + +| Quantization Level | Peak Usage for Encoding 2048 Tokens | Peak Usage for Generating 8192 Tokens | +| --- | :---: | :---: | +| BF16 | 18.11GB | 24.40GB | +| Int8 | 12.18GB | 18.47GB | +| NF4 | 9.52GB | 15.81GB | + +上記のスピードとメモリーのプロファイリングは、[このスクリプト](https://qianwen-res.oss-cn-beijing.aliyuncs.com/profile.py)を使って行われた。 ## デモ