作者：Edison_G
Transformer 对计算和存储的高要求阻碍了其在 GPU 上的大规模部署。在本文中，来自快手异构计算团队的研究者分享了如何在 GPU 上实现基于 Transformer 架构的 AI 模型的极限加速，介绍了算子融合重构、混合精度量化、先进内存管理、Input Padding 移除以及 GEMM 配置等优化方法。
图 1：基于 Transformer 架构的 NLP 模型规模
图 2：基于 Transformer 架构的应用
图 3：Transformer 模型的架构
图 4：Beam Search Decoding (Decoder + Beam Search) 流程图
Transformer 家族模型
根据具体模型架构和应用的不同，研究者将 Transformer 家族的模型分为四大类（如图 5）：
图 5：经典的基于 Transformer 结构的 AI 模型
图 6：Transformer 架构中 Self-attention 和 Feedforward 模块的 CUDA kernel 融合和重构，参见[14]
图 7：Transformer FP16 版本的几个关键 CUDA kernel 采用的量化精度
图 8：Transformer CUDA 实现的内存管理
图 9：输入 Padding 移除的方案 - 通过引入 Offset Mask，移除 Padding 的 Sequence 和原始的 Sequence 可以互相转换重建
图 10：通过对 CUDA Kernel 的分类判断是否可以移除 Padding
图 11：Transformer GEMM 配置的优化
总结
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
