Arm KleidiAI 助力提升 PyTorch 上 LLM 推理性能

作者：Arm 基础设施事业部软件工程师 Nobel Chowdary Mandepudi

生成式人工智能 (AI) 正在科技领域发挥关键作用，许多企业已经开始将大语言模型 (LLM) 集成到云端和边缘侧的应用中。生成式 AI 的引入也使得许多框架和库得以发展。其中，PyTorch 作为热门的深度学习框架尤为突出，许多企业均会选择其作为开发 AI 应用的库。通过部署 Arm Kleidi 技术 ，Arm 正在努力优化 PyTorch，以加速在基于 Arm 架构的处理器上运行 LLM 的性能。Arm 通过将 Kleidi 技术直接集成到 PyTorch 中，简化了开发者访问该技术的方式。

在本文中，我们将通过一个演示应用来展示 Arm KleidiAI 在 PyTorch 上运行 LLM 实现的性能提升。该演示应用在基于 Arm Neoverse V2 的亚马逊云科技 (AWS) Graviton4 R8g.4xlarge EC2 实例上运行 Llama 3.1。如果你感兴趣，可以使用以下 Learning Path，自行重现这个演示。 (Link: https://learn.arm.com/learning-paths/servers-and-cloud-computing/pytorch-llama)

演示应用

我们的演示应用是一个基于 LLM 的聊天机器人，可以回答用户提出的各种问题。该演示使用 Arm 平台上的 PyTorch 框架运行 Meta Llama 3.1 模型，并被设计成一个使用 Streamlit 前端的浏览器应用。Streamlit 将信息提供给 Torchat 框架，后者运行 PyTorch 并作为 LLM 后端。Torchat 输出的信息进入注意力层并生成词元 (token)。这些词元使用 OpenAI 框架流式传输功能发送到前端，并在浏览器应用上显示给用户。该演示的架构下图所示。

图：演示架构

演示应用在 LLM 推理结束后测定并显示以下性能指标：

生成首个词元的用时（秒） ：对于 LLM 推理，需要快速生成首个词元，以尽量减少延迟并向用户提供即时输出。

解码速度/文本生成（词元/秒） ：每秒词元数是指生成式 AI 模型生成词元的速率。生成下一个词元的时间最长不超过 100 毫秒，这是交互式聊天机器人的行业标准。这意味着解码速度至少为 10 个词元/秒。这对于提升实时应用的用户体验至关重要。

生成百万词元的成本（美元） ：根据 AWS 云端 EC2 实例的解码速度和每小时成本，我们可以计算出生成 100 万个词元的成本，这也是一个常用的比较指标。由于每小时成本是固定的，解码速度越快，生成百万词元的成本就越低。

生成提示词的总用时（秒） ：这是使用所有词元生成提示词所花费的总时间。

生成提示词的总成本（美元） ：这是根据使用所有词元生成完整提示词的总时间、解码速度和云端机器成本计算得出的。

下图显示了示例响应，可作为使用所示指标验证聊天机器人的示例。生成首个词元的时间短于 1 秒，解码速率为 33 个词元/秒，这两项数据都非常令人满意，并且满足交互式聊天机器人的行业标准。

图：包含示例响应和指标的演示

针对 PyTorch 的 KleidiAI 优化

KleidiAI 库为 Arm 平台提供了多项优化。Kleidi 在 Torch ATen 层中提供了一个新算子以加载模型。该层将模型权重以特定格式打包在内存中，使得 KleidiAI GEMM 内核可用来提高性能。同样地，针对模型执行的优化使用了 ATen 层中的另一个算子。该算子对先前打包的模型权重进行 matmul 运算的量化。

在我们的演示中，该模型是从 Meta Hugging Face 库下载的。该模型使用 INT4 内核布局打包在内存中，然后使用针对 PyTorch 优化的 INT4 KleidiAI 内核进行量化。该演示的架构如下图所示。

图：针对 PyTorch 实现的 KleidiAI 优化

使用我们 Learning Path 中包含的补丁 [注] ，可将这些 KleidiAI 优化应用到 PyTorch、Torchchat 和 Torchao 中。你可以使用这些补丁来查看 Arm 平台上的 PyTorch 为工作负载带来的 LLM 推理性能提升。

注： Arm KleidiAI 的 PyTorch 补丁正在与上游 PyTorch 合并，并将在未来的 PyTorch 官方版本中提供。

性能

为了印证 KleidiAI 的性能优势，我们使用 PyTorch 运行相同的聊天机器人应用，并测定了 KleidiAI 优化前后的每秒生成词元数和生成首个词元的用时，结果如下图所示。

图：性能比较

可以看到，将 KleidiAI 库应用到现有的生成式 AI 技术栈中可以大大提高词元生成速率，并缩短为不同生成式 AI 模型生成首个词元的时间。

结论

对于聊天机器人等实时工作负载来说，在 CPU 上运行 LLM 推理可行且有效。我们在之前 《在基于 Arm Neoverse 的 AWS Graviton3 CPU 上实现出色性能》 文章中使用 Llama.cpp 演示了这一点。在本文中，我们展示了如何使用 KleidiAI 库为 Arm 平台上的 PyTorch 实现良好的 LLM 推理性能。通过使用搭载 Neoverse V2 核心且基于 AWS Graviton4 的 R8g 实例进行演示，印证了 KleidiAI 为在 Arm 平台上使用 PyTorch 运行 LLM 推理实现了显著的性能提升。开发者现在可以利用 Arm 针对 PyTorch 的 KleidiAI 优化来运行新的或现有的 AI 应用。