Arm 架構(gòu)在服務(wù)器領(lǐng)域發(fā)展勢頭前景看好。目前已有許多頭部云服務(wù)提供商和服務(wù)器制造商推出了基于 Arm Neoverse 平臺的服務(wù)器產(chǎn)品，例如 AWS Graviton、阿里云的倚天 710 系列等。這些廠商提供了完整的軟硬件支持和優(yōu)化，使得大模型推理在基于 Arm 架構(gòu)的服務(wù)器上運行更加便捷和高效。

Arm 架構(gòu)的服務(wù)器通常具備低功耗的特性，能帶來更優(yōu)異的能效比。相比于傳統(tǒng)的 x86 架構(gòu)服務(wù)器，Arm 服務(wù)器在相同功耗下能夠提供更高的性能。這對于大模型推理任務(wù)來說尤為重要，因為大模型通常需要大量的計算資源，而能效比高的 Arm 架構(gòu)服務(wù)器可以提供更好的性能和效率。

Armv9 新特性提高大模型推理的計算效率

Armv9 架構(gòu)引入了 SVE2 (Scalable Vector Extension，可擴展向量延伸指令集)。SVE2 是一種可擴展的向量處理技術(shù)，它允許處理器同時執(zhí)行多個數(shù)據(jù)元素的操作，可以提供更高效的向量計算和人工智能 (AI) 硬件加速，從而加快了 AI 任務(wù)的執(zhí)行速度，提高了能效和性能。這對于在 Arm 架構(gòu)的服務(wù)器上進行大規(guī)模 AI 推理和訓(xùn)練任務(wù)非常有益，不論是實現(xiàn)更好的用戶體驗或是更高的計算效率。

SVE2 對 AI 推理引擎的支持有效地使用了 BFloat16 (BF16) 格式，BF16 是一種浮點數(shù)格式，它使用 16 位表示浮點數(shù)，其中 8 位用于指數(shù)部分，7 位用于尾數(shù)部分，還有 1 位用于符號位。相比于傳統(tǒng)的 32 位浮點數(shù)格式（如 FP32），BF16 在表示范圍和精度上有所減少，但仍然能夠滿足大多數(shù) AI 推理任務(wù)的需求。

圖 1：BFloat16 格式

BF16 格式可以在減少存儲和帶寬需求之余，同時提供足夠的精度，來滿足大多數(shù) AI 推理任務(wù)的要求。由于 SVE2 提供了針對 BF16 的向量指令，可以在同一條指令中同時處理多個 BF16 數(shù)據(jù)元素，從而提高計算效率。理論上來說，采用 BF16 可以實現(xiàn)雙倍的 FP32 的性能。

SVE2 的矩陣運算在 AI 推理中扮演著重要的角色，它可以顯著提高計算效率和性能。比如矩陣乘法 (Matrix Multiplication) 是許多 AI 任務(wù)中常見的運算，如卷積運算和全連接層的計算。SVE2 的向量指令可以同時處理多個數(shù)據(jù)元素，使得矩陣乘法的計算能夠以向量化的方式進行，從而提高計算效率。指令 FMMLA 可以實現(xiàn) FP32 格式下兩個 2x2 矩陣乘法運算，指令 BFMMLA 可以通過單指令實現(xiàn) BF16 格式下 4x2 矩陣和 2x4 矩陣的乘法，UMMLA、SMMLA 等可以實現(xiàn) INT8 格式下 8x2 矩陣和 2x8 矩陣的矩陣乘法運算。通過 SVE2 的硬件加速功能，AI 推理可以在 Arm 架構(gòu)中獲得更高效的矩陣運算執(zhí)行，提高計算效率和性能。

圖 2：矩陣乘指令

ACL 實現(xiàn) PyTorch 的計算加速

PyTorch 可以支持 Arm 架構(gòu)的硬件加速資源，但需要安裝適用于 Arm 架構(gòu)的 PyTorch 版本，或者是從開源源代碼編譯支持 Arm 架構(gòu)硬件加速的 PyTorch 版本。Arm Compute Library (ACL, Arm 計算庫) 實現(xiàn)了 Arm 架構(gòu)的硬件加速資源的優(yōu)化封裝，通過 OneDNN 來使 PyTorch 對 Arm 優(yōu)化加速調(diào)用。下面介紹如何生成帶 ACL 加速的 PyTorch 版本。

圖 3：Arm Neoverse 平臺 AI/ML 軟件組合

ACL 是開源軟件，下載后編譯并設(shè)定相應(yīng)的系統(tǒng)路徑。

鏈接:https://github.com/arm-software/ComputeLibrary

# git clone https://github.com/ARM-software/ComputeLibrary.git

# scons arch=armv8.6-a-sve debug=0 neon=1 os=linux opencl=0 build=native -j 32 Werror=false

validation_tests=0 multi_isa=1 openmp=1 cppthreads=0 fixed_format_kernels=1

# export ACL_ROOT_DIR=/path_to_ACL/ComputeLibrary

開源軟件 OpenBLAS 也實現(xiàn)了部分 Neon 的加速，PyTorch 同樣也要依賴 OpenBLAS，下載相應(yīng)源代碼編譯和安裝。

鏈接:https://github.com/OpenMathLib/OpenBLAS

# git clone https://github.com/OpenMathLib/OpenBLAS.git

# cmake & make & make install

獲取開源的 PyTorch 代碼，下載相應(yīng)的依賴開源軟件，指定使能 ACL 的方法進行編譯，獲取 PyTorch 的安裝包并更新。

# git clone https://github.com/pytorch/pytorch

# git submodule update --init –recursive

# MAX_JOBS=32 PYTORCH_BUILD_VERSION=2.1.0 PYTORCH_BUILD_NUMBER=1 OpenBLAS_HOME=/opt/openblas

BLAS="OpenBLAS" CXX_FLAGS="-O3 -mcpu=neoverse-n2 -march=armv8.4-a" USE_OPENMP=1 USE_LAPACK=1 USE_CUDA=0

USE_FBGEMM=0 USE_DISTRIBUTED=0 USE_MKLDNN=1 USE_MKLDNN_ACL=1 python setup.py bdist_wheel

# pip install --force-reinstall dist/torch-2.x.x-cp310-cp310-linux_aarch64.whl

配置了運行環(huán)境，就可以利用 Arm 架構(gòu)的硬件加速資源來加速 PyTorch 的計算。盡管 PyTorch 可以在 Arm 架構(gòu)上利用硬件加速資源，但針對具體模型和應(yīng)用場景，需要對模型和代碼進行一些調(diào)整以最大程度地發(fā)揮硬件的加速優(yōu)勢。

基于 FunASR 的優(yōu)化實踐

FunASR 是阿里巴巴達摩院開發(fā)的開源的基于 Paraformer 的大模型語音識別模型，提供包括語音識別 (ASR)、語音端點檢測 (VAD)、標點恢復(fù)、語言模型、說話人驗證、說話人分離和多人對話語音識別等在內(nèi)的多種功能。本文以 FunASR 在 Arm Neoverse 平臺上優(yōu)化的過程做為大模型的優(yōu)化實踐案例。

倉庫地址:https://github.com/alibaba-damo-academy/FunASR

圖 4：FunASR

本次優(yōu)化是基于 ACL v23.08、oneDNN v3.3、PyTorch v2.1 進行，測試平臺基于阿里云的 ECS 公有云，包括 C8Y、C8I、C7 等云實例。

為了確保 PyTorch 已經(jīng)啟動 ACL 進行加速，可以加上 “DNNL_VERBOSE=1” 來查看運行的日志輸出。

# OMP_NUM_THREADS=16 DNNL_VERBOSE=1 python runtimes.py

圖 5：使能 ACL 的 PyTorch 運行日志

得到如上的輸出結(jié)果，可以看到已經(jīng)啟用了 ACL。

為了使優(yōu)化有明確的目標，在運行大模型時，用 PyTorch 的 profiler 做整個模型的數(shù)據(jù)統(tǒng)計，即在調(diào)用大模型之前加上統(tǒng)計操作，為了減少單次運行的統(tǒng)計誤差，可以在多次運行之后做統(tǒng)計并輸出統(tǒng)計結(jié)果，如下面的示例：

默認運行是用 FP32 的格式，如果需要指定 BF16 的格式運行，需要加上 “ONEDNN_DEFAULT_FPMATH_MODE=BF16” 的參數(shù)。

# OMP_NUM_THREADS=16 ONEDNN_DEFAULT_FPMATH_MODE=BF16 python profile.py

得到 profile 的統(tǒng)計數(shù)據(jù)：

圖 6：統(tǒng)計分析日志

分析運行的結(jié)果，找出需要優(yōu)化的算子，在這個示例中，mkldnn_convolution 運行的時間顯著較長。

圖 7：優(yōu)化前統(tǒng)計分析

通過分析定位，發(fā)現(xiàn)在 OMP 的操作中，數(shù)據(jù)并沒有按照多處理器進行并行數(shù)據(jù)處理，修復(fù)問題后，再次測試，發(fā)現(xiàn) Convolution 的效率大大提升。

圖 8：卷積優(yōu)化后統(tǒng)計分析

在 Arm 架構(gòu)處理器中，SVE2 可以對 INT8 進行并行數(shù)據(jù)處理，比如單指令周期可以做到 16 個 INT8 的乘累加操作，對 INT8 的執(zhí)行效率非常高，在對模型執(zhí)行效率有更高要求的場景下，可以用 INT8 來動態(tài)量化模型，進一步提高效率。當然，也可以把 INT8 和 BF16 相結(jié)合，模型用 INT8 量化，中間計算用 BF16 格式，相較其他平臺，有 1.5 倍的效率提升。

圖 9：動態(tài)量化優(yōu)化

圖 10：優(yōu)化結(jié)果對比

綜上，通過充分利用 Armv9 架構(gòu)中的 SVE2 指令、BF16 數(shù)據(jù)類型等特性，并引入動態(tài)量化等技術(shù)，能夠?qū)崿F(xiàn)以 FunASR 為例的大模型在 Arm Neoverse 平臺的服務(wù)器上高效率運行。

審核編輯：劉清