Deploy034 投机解码
输入“/”快速插入内容
Deploy034 投机解码
Deploy034 投机解码
用户5190用户5190用户8898用户88982024年10月10日修改
1.1 投机推理\采样 (Speculative Decoding )
关于投机性执行是分布式计算的老话题，在计算机体系结构中也有投机预取，处理器优化中也有推测投机执行指令，也就是分支预测，还有分布式领域 MapReduce/Hadoop 时代（大概在 2010 年前后）就有大量关于投机性执行一些预计性任务的工作等等的相关思想。大语言模型都需要迭代运行顺序生成标记，也就是一个一个 token 往外吐，不好在 token 级别并行进行加速。所以就有了投机推理技术来帮忙优化增加并行度，一般被称为 speculative decode，推测性解码、投机解码。
2.1 Speculative Decoding 背后有两个关键思想
2.1.1 预测 Token 难易不一致
在下图中，预测标记 'of ' 真的很容易，而且它可能很容易被小得多的模型预测，因此使用较小的模型来预测简单的标记，而使用大模型仅用于预测更困难的标记。
预测标记 'of ' 真的很容易，并且可以通过小得多的模型轻松预测，而标记 'Edinburg' 的预测相对来说很困难，而较小的模型可能无法预测。
2.1.2 并行验证 Token
尽管这些自回归模型通常一次迭代生成一个单词，但它们可以一次输入多个Token。在生成下一个 Token 时，他们可以一次检查序列中的所有 Token。它通过计算序列中每个标记的概率来实现此目的。
在上图中，较小的模型预测“Toronto”，但正确的单词是“Edinburgh”，较大的模型可以看到“Toronto”的概率很低，并将其更正为“Edinburgh”。
2.2 推测解码：推理加速的关键因素
推测解码使用更小、更快的模型（称为Draft/Small 模型）在生成多组输出。随后检查此输出，并在必要时由更大、功能更强大的模型（称为Main/Target模型）进行校正。推测解码的本质在于它能够加快推理过程，利用较小模型的速度，同时保持较大模型提供的质量保证。
•
小型模型提供低延迟，但它们生成的文本质量通常较差。
•
较大的模型可能能够生成高质量的文本，但响应时间可能会很慢。
每一行代表模型的一次迭代。
绿色标记是由 6M参数Draft模型 提出的建议，
目标模型为 97M参数Target模型 接受了这些建议，而红色和蓝色标记分别是被拒绝的建议及其修正。
例如，在第一行中，Target模型只运行了一次，生成了5个标记。剩余的Token均为小模型生成。
如果 draft 模型的建议始终准确，那么推测解码的总成本将只是 draft 模型的推理成本，加上Target模型的单个验证步骤。与仅使用 Target 模型的传统解码方法 (均使用大模型逐token生成) 相比，这种配置将更快的推理。
•
Draft模型必须比主模型小得多且速度更快。
•
Draft模型应生成主模型可以验证通过的大量token建议。
相反，如果Draft模型的建议大多是错误的，那么Target模型将需要纠正每个标记，从而有效地将解码工作加倍。(首先生成预测，然后纠正它们。这种情况会使推测解码比单独使用主模型慢。)
📌
投机解码的加速关键是 “Draft模型的推理速度” 与 “能够被Target模型验证通过的概率”；
2.2.1 Huggingface 推测解码实现
代码块
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
prompt = "Alice and Bob"
checkpoint = "EleutherAI/pythia-1.4b-deduped"
assistant_checkpoint = "EleutherAI/pythia-160m-deduped"
device = "cuda" if torch.cuda.is_available() else "cpu"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
inputs = tokenizer(prompt, return_tensors="pt").to(device)
model = AutoModelForCausalLM.from_pretrained(checkpoint).to(device)
assistant_model = AutoModelForCausalLM.from_pretrained(assistant_checkpoint).to(device)
outputs = model.generate(**inputs, assistant_model=assistant_model)
print(tokenizer.batch_decode(outputs, skip_special_tokens=True))
# ['Alice and Bob are sitting in a bar. Alice is drinking a beer and Bob is drinking a']