Flash Attention을 이용한 Llama3.1-8B
개요
이 튜토리얼은 여러 개의 RBLN NPU를 사용하여 vLLM에서 모델을 실행하는 방법을 설명합니다. 이 가이드에서는 meta-llama/Llama-3.1-8B-Instruct 모델을 사용합니다.
Flash Attention은 메모리 효율성과 처리량(throughput)을 향상시켜, 긴 문맥을 처리하는 모델의 성능을 개선합니다. 컴파일 시 rbln_kvcache_partition_len 파라미터를 추가함으로써 Flash Attention 모드를 활성화할 수 있습니다.
환경 설정 및 설치 확인
시작하기 전에 시스템 환경이 올바르게 구성되어 있으며, 필요한 모든 필수 패키지가 설치되어 있는지 확인하십시오. 다음 항목이 포함됩니다:
- 시스템 요구 사항:
- 필수 패키지:
- 설치 명령어:
| pip install optimum-rbln>=0.8.2 vllm-rbln>=0.8.2
pip install --extra-index-url https://pypi.rbln.ai/simple/ rebel-compiler>=0.8.2
|
rebel-compiler를 사용하려면 RBLN 포털 계정이 필요하니 참고하십시오.
| $ huggingface-cli login
_| _| _| _| _|_|_| _|_|_| _|_|_| _| _| _|_|_| _|_|_|_| _|_| _|_|_| _|_|_|_|
_| _| _| _| _| _| _| _|_| _| _| _| _| _| _| _|
_|_|_|_| _| _| _| _|_| _| _|_| _| _| _| _| _| _|_| _|_|_| _|_|_|_| _| _|_|_|
_| _| _| _| _| _| _| _| _| _| _|_| _| _| _| _| _| _| _|
_| _| _|_| _|_|_| _|_|_| _|_|_| _| _| _|_|_| _| _| _| _|_|_| _|_|_|_|
To login, `huggingface_hub` requires a token generated from [https://huggingface.co/settings/tokens](https://huggingface.co/settings/tokens) .
Token: *****
|
실행
모델 컴파일
먼저, optimum-rbln에서 RBLNLlamaForCausalLM 클래스를 임포트합니다.
이 클래스의 from_pretrained() 메서드는 HuggingFace Hub에서 Llama 3.1 모델을 다운로드하고 RBLN Compiler를 사용해 컴파일합니다.
모델을 내보낼 때는 다음과 같은 파라미터를 지정해야 합니다:
-
export: 모델을 컴파일하려면 True로 설정해야 합니다.
-
rbln_batch_size: 컴파일을 위한 배치 크기를 정의합니다.
-
rbln_max_seq_len: 최대 시퀀스 길이를 정의합니다.
-
rbln_tensor_parallel_size: 추론에 사용할 NPU의 수를 정의합니다.
-
rbln_kvcache_partition_len: Flash Attention을 위한 KV 캐시 파티션의 길이를 정의합니다.rbln_max_seq_len은 rbln_kvcache_partition_len의 배수여야 하며, 그보다 큰 값이어야 합니다.
컴파일 후에는 save_pretrained() 메서드를 사용하여 모델 아티팩트를 디스크에 저장합니다. 이 과정은 컴파일된 모델을 포함하는 디렉터리(예: rbln-Llama-3-1-8B-Instruct)를 생성합니다.
Note
모델 크기와 NPU 사양에 따라 적절한 배치 사이즈를 선택하세요.
또한, vllm-rbln은 최적의 처리량과 자원 활용을 보장하기 위해 동적 배치(Dynamic Batching)을 지원합니다.
자세한 내용은 Dynamic Batching를 참고하세요.
| from optimum.rbln import RBLNLlamaForCausalLM
model_id = "meta-llama/Llama-3.1-8B-Instruct"
# Compile and export
model = RBLNLlamaForCausalLM.from_pretrained(
model_id=model_id,
export=True,
rbln_batch_size=1,
rbln_max_seq_len=131_072,
rbln_tensor_parallel_size=8,
rbln_kvcache_partition_len=16_384,
)
# Save compiled results to disk
model.save_pretrained("rbln-Llama-3-1-8B-Instruct")
|
vLLM을 활용한 추론
컴파일된 모델은 vLLM과 함께 사용할 수 있습니다. 아래 예시는 컴파일된 모델을 사용하여 vLLM 엔진을 설정하고 추론을 수행하는 방법을 보여줍니다.
Note
Flash Attention을 사용하기 위해서는, block_size가 rbln_kvcache_partition_len과 일치해야 합니다.
| from transformers import AutoTokenizer
from vllm import LLM, SamplingParams
# Please make sure the engine configurations match the parameters used when compiling.
model_id = "rbln-Llama-3-1-8B-Instruct"
max_seq_len = 131_072
batch_size = 1
block_size = 16_384 # Should match to `rbln_kvcache_partition_len` for flash attention.
llm = LLM(
model=model_id,
device="rbln",
max_num_seqs=batch_size,
max_num_batched_tokens=max_seq_len,
max_model_len=max_seq_len,
block_size=block_size,
)
tokenizer = AutoTokenizer.from_pretrained(model_id)
sampling_params = SamplingParams(
temperature=0.0,
skip_special_tokens=True,
stop_token_ids=[tokenizer.eos_token_id],
max_tokens=100
)
conversation = [
{
"role": "user",
"content": "Who are you?"
}
]
chat = tokenizer.apply_chat_template(
conversation,
add_generation_prompt=True,
tokenize=False
)
outputs = llm.generate(chat, sampling_params)
for output in outputs:
prompt = output.prompt
generated_text = output.outputs[0].text
print(generated_text)
|
예시 출력:
| I'm an artificial intelligence model known as Llama. Llama stands for "Large Language Model Meta AI."
|
참고