一行代码的威力到底有多大？今天我们要介绍的这个 Kernl 库，用户只需一行代码，在 GPU 上就能以快几倍的速度运行 Pytorch transformer 模型，从而极大的加快了模型的推理速度。
具体而言，有了 Kernl 的加持，Bert 的推理速度比 Hugging Face 基线快了 12 倍。这一成果主要得益于 Kernl 用新的 OpenAI 编程语言 Triton 和 TorchDynamo 编写了定制的 GPU 内核。项目作者来自 Lefebvre Sarrut。
GitHub 地址：https://github.com/ELS-RD/kernl/
以下是 Kernl 与其他推理引擎的比较，横坐标中括号里的数字分别表示 batch size、序列长度，纵坐标为推理加速情况。
基准测试在 3090 RTX GPU 运行，以及 12 核 Intel CPU。
由上述结果可得，在长序列输入这一块，Kernl 可以说是最快的推理引擎（上图中的右半部分），在短输入序列上接近英伟达的 TensorRT（上图中的左半部分）。除此以外，Kernl 内核代码非常简短，易于理解和修改。该项目甚至添加了 Triton 调试器和工具 (基于 Fx) 来简化内核替换，因此不需要修改 PyTorch 模型源代码。
项目作者 Michaël Benesty 对这一研究进行了总结，他们发布的 Kernl 是一个用于加速 transformer 推理的库，速度非常快，有时会到达 SOTA 性能，可破解以匹配大多数 transformer 架构。
他们还在 T5 上做了测试，速度提高 6 倍，Benesty 表示这仅仅是个开始。
为什么创建 Kernl？
在 Lefebvre Sarrut，项目作者在生产中运行几个 transformers 模型，其中一些对延迟敏感，主要是搜索和 recsys。他们还在使用 OnnxRuntime 和 TensorRT，甚至创建了 transformer-deploy OSS 库来与社区分享知识。
最近，作者在测试生成语言，并努力加速它们。然而事实证明，使用传统工具做到这些非常困难。在他们看来，Onnx 是另一种有趣的格式，它是一种针对机器学习所设计的开放式文件格式，用于存储训练好的模型，具有广泛的硬件支持。
但是，当他们处理新的 LLM 架构时，Onnx 生态系统（主要是推理引擎）存在以下几种限制：
- 没有控制流的模型导出到 Onnx 很简单，这是因为可以依赖跟踪。但是动态行为更难获得；
- 与 PyTorch 不同，ONNX Runtime/TensorRT 还没有原生支持实现张量并行的多 GPU 任务；
- TensorRT 无法为具有相同配置文件的 transformer 模型管理 2 个动态轴。但由于通常希望能够提供不同长度的输入，因此需要每个批大小构建 1 个模型；
- 非常大的模型很常见，但 Onnx（作为 protobuff 文件）在文件大小方面有一些限制，需要将权重存储在模型之外来解决问题。
一个非常烦人的事实是新模型永远不会被加速，你需要等着其他人来为此编写自定义 CUDA 内核。现有解决方案并不是不好，OnnxRuntime 的一大优点是它的多硬件支持，TensorRT 则以非常快速著称。
所以，项目作者想要在 Python/PyTorch 上有像 TensorRT 一样快的优化器，这也是他们创建 Kernl 的原因。
如何做到？
内存带宽通常是深度学习的瓶颈，为了加速推理，减少内存访问往往是一个很好的策略。在短输入序列上，瓶颈通常与 CPU 开销有关，它必须被消除。项目作者主要利用了以下 3 项技术：
首先是 OpenAI Triton，它是一种编写 CUDA 等 GPU 内核的语言，不要将它与 Nvidia Triton 推理服务器混淆，它的效率更高。几个操作的融合实现了改进，使得他们不在 GPU 内存中保留中间结果的情况下链接计算。作者使用它重写注意力（由 Flash Attention 替换）、线性层和激活以及 Layernorm/Rmsnorm。
其次是 CUDA 图。在预热（warmup）步骤中，它将保存每个启动的内核及它们的参数。然后，项目作者重建了整个推理过程。
最后是 TorchDynamo，这个由 Meta 提出的原型机帮助项目作者应对动态行为。在预热步骤中，它会跟踪模型并提供一个 Fx 图（静态计算图）。他们使用自己的内核替换了 Fx 图的一些操作，并在 Python 中重新编译。
未来，项目路线图将涵盖更快的预热、ragged 推理（padding 中没有损失计算）、训练支持（长序列支持）、多 GPU 支持（多并行化模式）、量化（PTQ）、新 batch 的 Cutlass 内核测试以及提升硬件支持等。
更多详细内容请参阅原项目。
