FP8和更低的浮点数量化精度，不再是H100的“专利”了！
老黄想让大家用INT8/INT4，微软DeepSpeed团队在没有英伟达官方支持的条件下，硬生生在A100上跑起FP6。
测试结果表明，新方法TC-FPx在A100上的FP6量化，速度接近甚至偶尔超过INT4，而且拥有比后者更高的精度。
在此基础之上，还有端到端的大模型支持，目前已经开源并集成到了DeepSpeed等深度学习推理框架中。
这一成果对大模型的加速效果也是立竿见影——在这种框架下用单卡跑Llama，吞吐量比双卡还要高2.65倍。
一名机器学习研究人员看了后表示，微软的这项研究简直可以用crazy来形容。
表情包也第一时间上线，be like：
英伟达：只有H100支持FP8。
微软：Fine，我自己搞定。
那么，这个框架到底能实现什么样的效果，背后又采用了什么样的技术呢？
用FP6跑Llama，单卡比双卡还快
在A100上使用FP6精度，带来的是内核级的性能提升。
研究人员选取了不同大小的Llama模型和OPT模型之中的线性层，在NVIDIA A100-40GB GPU平台上，使用CUDA 11.8进行了测试。
结果相比于英伟达官方的cuBLAS（W16A16）和TensorRT-LLM（W8A16），TC-FPx（W6A16）速度提升的最大值分别是2.6倍和1.9倍。
相比于4bit的BitsandBytes（W4A16）方法，TC-FPx的最大速度提升则是达到了8.9倍。
（W和A分别代表权重量化位宽和激活量化位宽）
△归一化数据，以cuBLAS结果为1
同时，TC-FPx内核还减少了对DRAM内存的访问，并提高了DRAM带宽利用率和Tensor Cores利用率，以及ALU和FMA单元的利用率。
在TC-FPx基础之上设计的端到端推理框架FP6-LLM，也给大模型带来了显著的性能提高。
以Llama-70B为例，用FP6-LLM在单卡上的运行吞吐量，比FP16在双卡上还要高出2.65倍，在16以下的批大小中的延迟也低于FP16。
而对于参数量小一些的模型OPT-30B（FP16也使用单卡），FP6-LLM同样带来了明显的吞吐量提升和延迟降低。
而且单卡FP16在这种条件下最多支持的批大小只有4，FP6-LLM却可以在批大小为16的情况下正常运行。
那么，微软团队是怎样实现在A100上运行FP16量化的呢？
重新设计内核方案
为了实现对包括6bit在内精度的支持，TC-FPx团队设计了一个统一的内核方案，可以支持不同位宽的量化权重。
相比于传统的双内核方法，TC-FPx通过将去量化和矩阵乘法融合在单个内核中，减少了内存访问次数，提高了性能。
实现低精度量化的核心奥义则是通过去量化方式，将FP6精度的数据“伪装”成FP16，然后按照FP16的格式交给GPU进行运算。
同时团队还利用了位级预打包技术，解决GPU内存系统对非2的幂次位宽（如6-bit）不友好的问题。
具体来说，位级预打包是在模型推理之前对权重数据进行重新组织，包括将6-bit量化的权重重新排列，以便它们能够以GPU内存系统友好的方式进行访问。
此外，由于GPU内存系统通常以32位或64位的块进行数据访问，位级预打包技术将还会6-bit权重打包，使得它们能够以这些对齐的块的形式存储和访问。
预打包完成后，研究团队使用SIMT核心的并行处理能力，对寄存器中的FP6权重执行并行去量化，生成FP16格式的权重。
去量化后的FP16权重在寄存器中被重构，然后送入Tensor Core，使用重构后的FP16权重执行矩阵乘法运算，完成线性层的计算。
在此过程中，团队利用了SMIT核心的位级并行性，提高了整个去量化过程的效率。
而为了权重重构任务能够并行运行，团队还使用了一种并行权重拼接技术。
具体来说，每个权重被分割成几个部分，每个部分的位宽是2的幂次（如把6分割成2+4或4+2）。
在去量化之前，权重首先从共享内存加载到寄存器中。由于每个权重被分割成多个部分，需要在运行时在寄存器级别重构完整的权重。
为了减少运行时的开销，TC-FPx提出了一种并行提取和拼接权重的方法。这种方法使用两组寄存器来存储32个FP6权重的片段，并行地重构这些权重。
同时，为了并行提取和拼接权重，需要确保初始数据布局满足特定的顺序要求，因此TC-FPx通过在运行前对权重片段进行重排。
此外，TC-FPx还设计了一个软件流水线，将去量化步骤与Tensor Core的矩阵乘法操作融合在一起，通过指令级并行性提高了整体的执行效率。
论文地址：https://arxiv.org/abs/2401.14112
