Непреодолимая легкость повышения утилизации GPU

Привет! Я Антон, DevOps-инженер в Selectel. В апреле у нас проходил ML-митап, где я и мой коллега, ML-Ops инженер Ефим Головин ^[1], рассказали, как подбираем конфигурацию ML-инфраструктуры и повышаем утилизацию GPU. Запись нашего выступления можно посмотреть на YouTube ^[2]. Материал вышел интересным, поэтому мы решили оформить пересказ в текстовый формат.

В этой статье вы узнаете, как перенести лучшие практики из мира производства в сферу машинного обучения, подобрать конфигурацию вычислительной инфраструктуры под ML-нагрузки и максимально эффективно ее использовать. Впереди много интересного, так что давайте начнем!

Используйте навигацию, если не хотите читать текст полностью:

→ Что можно переиспользовать в ML от заводских промышленных линий ^[3]
→ Как конфигурировать инфраструктуру под ML-нагрузки ^[4]
→ Как эффективно утилизировать подобранную конфигурацию ML-инфраструктуры ^[5]
→ Заключение ^[6]

Что можно переиспользовать в ML от заводских промышленных линий

Где лучшие тусовки лучше всего отточены технологии и методологии автоматизации? Конечно, на заводах и промышленных предприятиях. Мы вдохновляемся бережливым производством, следуем Кайдзен Toyota, соблюдаем и используем теорию ограничений Голдратта. И переносим этот опыт в разработку ML-систем.

Как выглядит ML-система для клиента

ML-система для конечного клиента — «черный ящик», в котором происходит магия. Он выполняет определенные задачи и выдает результаты на основе входных данных. Клиент взаимодействует с системой через интерфейсы и API, не вникая в сложные внутренние процессы.

Пример такого взаимодействия — распознавание текста на фотографии со знаком «STOP». Это может быть часть системы автономного вождения. Рассмотрим простой пример инференс-графа.

Пример простейшего инференс-графа.

Вот что здесь происходит.

• Модель 1: детектирование текста на изображении.
• Модель 2: обрезка изображения, чтобы оставить только текст.
• Модель 3: распознавание текста на знаке (в нашем случае, слово «STOP»).

Для клиента вся цепочка представляет собой черный ящик, куда на вход он подает изображение, а на выходе получает слово «STOP». Он не вдается в подробности, как система выглядит изнутри. Аналогично: когда мы покупаем банку кофе в магазине, мы не думаем, как кофе оказался в банке и что за этикетка там наклеена. Мы берем готовый товар и используем его.

Возникает вопрос, нужно ли улучшать работу моделей в инференс-графа, если мы хотим сделать систему эффективнее. На самом деле необходимо рассматривать систему в целом.

Как выглядит ML-система целиком

Продолжу аналогию с производством: улучшение только одного этапа может не дать значительного эффекта, если не учитывать взаимодействие всех компонентов. Помимо самих инференсов нужно помнить о различных стадиях и компонентах ML-системы. Рассмотрим, как это выглядит с точки зрения MLOps.org.

ML-система от ml-ops.org ^[7].

Рассмотрим основные компоненты системы:

В Nvidia полную схему конвейера видят чуть иначе, хотя ключевые компоненты в основном представлены такие же:

ML-система от AI Infrastructure Alliance. Источник ^[8].

Используя эти источники, доведем нашу исходную схему до цельного вида:

ML-система в целом.

В итоге помимо самого инференс-графа видим, что в нашей схеме важно учитывать хранилища и конвейеры обучения моделей, а также слой data management. В данном случае все этапы распознавания текста на знаке «STOP» важны для конечного результата, поэтому необходимо рассматривать систему в целом.

Как верхнеуровнево выглядит завод

Заметили, что мы много говорим про конвейеры? Давайте вспомним, откуда они к нам пришли. Верхнеурово рассмотрим схему конвейера с кафедры Санкт-Петербургского Политехнического университета. Представим, что на нем упаковываются банки кофе.

Тот самый конвейер, где я в студенчестве боролся за зачет.

Конвейерная линия состоит из нескольких этапов, каждый из которых выполняет определенные функции для создания конечного продукта.

1. Получение сырья: пустая банка поступает на конвейер.
2. Станция 1: заполнение банки кофе.
3. Cтанция 2: закрытие крышки.
4. Станция 3: наклеивание этикетки.
5. Упаковка и транспортировка: банки сортируются и отправляются клиентам.

На каждой станции будет задержка обработки, потому что требуется время, чтобы насыпать кофе в банку или закрутить крышку. А еще банки передвигаются между станциями — на это тоже тратится время. Здесь возникает задержка транспортировки.

Отмечу, что каждая станция состоит из хардварной и софтварной частей. Хардвар — манипулятор, который перетаскивает банку. Софтвар — алгоритмы, которые вшиты в контроллер. К чему вся эта аналогия, спросите вы? Попробуем перенести эту мысль на ML-системы.

Хотите еще больше аналогий с заводами? Подписывайтесь на мой Telegram-канал ^[9]. Там я публикую дополнительные материалы по статьям, выступлениям и своим исследованиями в мире ML и DevOps.

ML-системы как конвейер завода

Начнем с хардварной части и рассмотрим популярный сервер DGX H100 в качестве хардварной площадки для ML-системы.

Вверху слева — фото платформы DGX H100. Вверху справа — схема материнской платы. Внизу — группировка GPU. Мануал доступен в документации Nvidia. ^[10]

Логическая схема сервера.

Основные компоненты, которые представлены на логической схеме:

• два блока CPU (CPU0 и CPU1), которые координируют работу системы;
• восемь GPU, распределенных между двумя CPU;
• PCIe — высокоскоростное соединение между компонентами;
• NVLink — соединение между GPU для быстрой передачи данных;
• NVSwitch — коммутаторы NVLink для объединения всех GPU в единую сеть;
• сетевые модули ConnectX-7 и NVMe для сетевых соединений и хранения данных.

Если выделить общие основные компоненты, из которых состоит сервер и где могут быть задержки, все будет выглядеть примерно так:

При этом мы рассматривали сервер on-premise. А что если мы перейдем в облако?

Пример IaaS-платформы на базе OpenStack.

Облако для создания ML-системы дает свои преимущества, но вместе с тем вызывает сложности. Рассмотрим их подробнее.

Преимущества

• С инфраструктурой можно работать как с кодом (IaC).
• Можно задать лимиты и квоты для ресурсов.
• Ресурсы можно использовать по модели pay-as-you-go, т. е. по фактическому потреблению.

Сложности

• Вместо физических компонентов используются их виртуальные клоны.
• Возникают дополнительные задержки из-за виртуализации и ограничений сети.
• Отсутствует непосредственный доступ к физическим хостам, если используем managed-облако.

Но это мы говорили про хардварную часть. А что на уровне софта? Вспоминаем наш инференс-граф и ML-систему в целом, особенно пайплайн обучения:

Этапы обучение модели.

На каждом этапе могут быть задержки, которые влияют на систему в целом. И это снова задержки обработки и транспортировки, как на заводе.

Итак, в общих чертах мы разобрались, из чего состоит ML-система, немного копнули в хардварную и софтварную части, а также выясняли, что она похожа на заводские конвейеры (из моей предыдущей статьи ^[11] можно понять, что я в прошлом заводской работяга). Возникает вопрос: какие минимальные технические требования могут быть предъявлены к этому конвейеру? Попробуем разобраться.

Как конфигурировать инфраструктуру под ML-нагрузки

Ищем минимальный набор ресурсов

В нашем случае речь идет о данных, на которых мы будем проводить обучение, о моделях, которые мы хотим протестировать, о способах обучения и так далее. То есть нам нужно выбрать, какое минимальное количество ресурсов необходимо, чтобы обучать модели.

Мы опирались на Hugging Face ^[12] и Coursera ^[13]. Эти источники детально описывают, куда будет расходоваться память в цикле обучения.

Рассмотрим пример, в котором есть:

• инференс LLM на миллиард параметров,
• full precision (32-bit float),
• сохранение LLM в видеопамяти GPU.

Расчеты говорят о том, что на каждый параметр LLM требуется четыре байта видеопамяти. То есть на модель с миллиардом параметров нужно выделить 4 ГБ видеопамяти. Звучит не так уж и страшно.

1 параметр = 4 байта (32-bit float)

1B параметров = 4 x 10⁹ байт = 4 ГБ

Но модель же нужно не только сохранить. Ее еще нужно обучать, поэтому потребуется optimizer, расчет промежуточных значений активационных функций и т. д. Все это добавит еще какое-то количество памяти:

• optimizer — 8 байт на параметр,
• градиенты — 4 байта на параметр,
• активационные функции — 8 байт на параметр.

Итого: обучение модели требует дополнительно 20 байт видеопамяти на каждый ее параметр.

И это мы еще не учитываем батч данных, который тоже нужно положить на видеокарту. Сделав несложный расчет, понимаем: чтобы просто обучать модель, нужно иметь 24 ГБ видеопамяти на каждый миллиард ее параметров.

Сравнение требуемой памяти GPU для LLM на 1, 175 и 500 млрд параметров.

Подобный гайд можно использовать, чтобы рассчитать ресурсы для обучения модели: сколько понадобится памяти видеокарты, оперативной памяти, данных для сохранения промежуточных весов сети и данных, на которых будем обучать модель.

Получается, для любых задач просто берем видеокарту помощнее? Нет. Мы рассмотрели достаточно поверхностный и не оптимальный случай. В реальной жизни такой расчет используется только для обучения LLM с нуля.

Если же мы файнтюним модель, можно применить адаптеры ^[14]. Для инференсов применимы квантизация, дисцилирование и другие способы оптимизации. Подробнее об этом можно почитать в статье Nvidia ^[15].

Применяем теорию Голдратта — ищем узкие горлышки

Хорошо, мы подобрали минимальную конфигурацию, от которой можно отталкиваться. Что дальше?

Вновь обратимся к заводам. Мне очень нравится книга «Цель» Элияху Голдратта. В ней автор доступно объясняет, как выглядит процесс непрерывного совершенствования на основе теории ограничений. Она предусматривает следующие этапы (распишу с примерами из книги):

1. Поиск ограничений — узких горлышек. Главный герой Алекс и его команда анализируют производственный процесс и обнаруживают, что основным ограничением является печь для обработки деталей. Она работает медленно и является узким местом, которое замедляет весь процесс.
2. Максимально эффективное использование узкого места. Команда планирует работу таким образом, чтобы печь была загружена постоянно. Это минимизирует время ожидания между ее загрузками.
3. Подчинение остальных элементов системы ограничению. Весь производственный процесс перестраивается вокруг работы печи. Это включает в себя организацию работы так, чтобы другие процессы не создавали излишнего запаса перед печью и не задерживали работу после печи.
4. Увеличение пропускной способности ограничения. Алекс рассматривает возможности для повышения производительности печи: модернизацию оборудования, улучшение методов работы, добавление дополнительной печи.
5. Проверка, осталось ли данное звено ограничением, и возврат к первому шагу. После устранения или ослабления ограничения с печью команда анализирует процесс заново, чтобы выявить новое ограничение и повторить цикл улучшения.

На заводах это работает классно! Что ж, применим эту теорию на наших ML-системах? Начнем с поиска узких мест. И в этом нам поможет профайлинг.

Ищем узкие горлышки с помощью профайлинга

Профайлинг — это процесс анализа и оптимизации производительности программного обеспечения. В контексте машинного обучения профайлинг помогает выявлять узкие места в коде, которые замедляют обучение или инференс моделей. Существует несколько инструментов для профайлинга, каждый из которых имеет свои особенности и преимущества.

Отлично, мы нашли узкие горлышки в нашей системе. Дальше по теории ограничений необходимо максимально эффективно утилизировать их.

Как эффективно утилизировать подобранную конфигурацию ML-инфраструктуры

Конвейер обучения

Посмотрим на типичные узкие горлышки в конвейере обучения.

Больше всего, конечно, хочется сказать про Preprocess и Train. Допустим, мы решаем CV-задачу, где нужно часто играться с изображениями: покрутить, повертеть, наложить фильтры и т. д. В фреймворке MMCV ^[25] такие трансформации выполняются на CPU. Но в это время процессор простаивает, а это самый дорогой ресурс, который хочется использовать рационально.

Поэтому если можно вынести что-то из цикла тренировки модели, мы это делаем. А если не получается, то хотя бы пробуем перенести трансформации с CPU на GPU.

Кстати, для такой задачи могут быть полезны инструменты из экосистемы RAPIDS ^[26] от Nvidia. Например, фреймворк QDF, который позволяет работать с табличными данными. Или, если необходимо работать с изображениями, то можно использовать Data Loading Library от NVIDIA ^[27]. С ее помощью можно составлять пайплайны с трансформациями: повернуть, развернуть, обрезать, центровать и т. д.

Итак, выстраиваем обучение LLM, вдохновившись заводом. То есть ставим дополнительный конвейер. Параллелить обучение можно различными способами, например с помощью Data Parallelism ^[28].

Конвейер инференса

Мы обучили модель. Теперь нужно обернуть ее в удобный интерфейс, чтобы клиенту было комфортно работать с LLM. Подойдет, например, gRPC или HTTP веб-сервер. Его можно написать самостоятельно, взяв Flask или Fast API. А можно взять готовое open source решение Triton Server ^[29] — ребята из Nvidia точно знают, как по максимуму утилизировать в инференсе свои GPU.

Архитектура Triton Server.

Оптимизация моделей + правильно подобранная конфигурация Triton Server = максимальная утилизация инференса на инфраструктуре. Triton позволяет настроить динамический батчинг запросов, который увеличивает пропускную способность сервера. Мы получили следующие результаты на небольшой модели:

• было: 216 infer/sec без батчинга,
• стало: 300 infer/sec с динамическим батчингом.

Так же можно конвертировать модель в различные форматы:

• было: ONNX FP32 — 450 infer/sec,
• стало: TensorRT FP16 — 2600 infer/sec.

Схема возможных конвертаций моделей.

Когда один Triton Server не будет справляться, применим лайфхак с завода — поставим еще одну реплику. Но для инференсов не нужно иметь мощные GPU, так как мы можем сжимать модели (вспомним пример выше, где на миллиард параметров модели занимает 4 ГБ).

Соответственно, возникает вопрос: как параллельно запустить несколько инференсов на одной GPU? Ответ вы найдете в цикле моих статей про шеринг GPU:

• «Практическое пособие по работе с MIG ^[30]»,
• «ШерингGPU с помощью MIG и ^[31]TimeSlicing ^[31]»,
• «Динамический шеринг GPU в Kubernetes с помощью MIG, MPS и ^[32]TimeSlicing ^[32]».

Сейчас же рассмотрим возможные решения:

При этом Triton Server внутри одной реплики также может управлять различными моделями. Если он справляется с нагрузкой, можно деплоить LLM в один сервер. Как только перестает справляться, начинаем параллелить реплики.

Заключение

Возможно, вы задаетесь вопросом: зачем было вообще рассказывать про заводы и производства в материале об ML? Отвечу вам цитатой из книги «Совершенный код» С. Макконнелла:

«Проведение аналогий часто приводит к важным открытиям. Сравнив не совсем понятное явление с чем-то похожим, но более понятным, вы можете догадаться, как справиться с проблемой».

ML-системы достаточно сложны и объемны. Подбор конфигурации и ее максимальная утилизация — нетривиальные задачи. Универсального алгоритма для этого пока нет, но решение конкретной проблемы всегда можно найти в дискуссии. Приглашаю вас в комментариях обсудить, как вы подбираете конфигурацию инфраструктуры и утилизируете ее в своих задачах.

И напоследок поделюсь небольшими рекомендациями и источниками:

Обучение

• Книга Таненбаума и Остина «Архитектура компьютера ^[33]».
• Hugging Face: «Model training anatomy ^[12]».
• Hugging Face: «Quantization ^[34]».
• Hugging Face: «A Gentle Introduction to 8-bit Matrix Multiplication for transformers at scale using Hugging Face Transformers, Accelerate and bitsandbytes ^[35]».
• Hugging Face: «Making LLMs even more accessible with bitsandbytes, 4-bit quantization and QLoRA ^[36]».
• Ahead of AI: «Improving LoRA: Implementing Weight-Decomposed Low-Rank Adaptation (DoRA) from Scratch ^[37]».
• Туториал от PyTorch: «Profiling your PyTorch Module ^[38]».
• Туториал от PyTorch: «PyTorch Profiler With TensorBoard ^[39]».
• Документация от PyTorch: «Profiling to understand torch.compile performance ^[40]».
• Гайд от TensorFlow: «TensorFlow Profiler: производительность модели профиля ^[41]».
• Видео: «Profiling Deep Learning Applications with NVIDIA NSight ^[42]».
• Видео: «CUDA Developer Tools | Memory Analysis with NVIDIA Nsight Compute ^[43]».
• Видео: «Profiling with DLProf Pytorch Catalyst part 1 ^[44]».
• Гайд по eBPF на GitHub ^[45].
• Документация ^[46] по RAPIDS.
• Документация ^[47] по Data Loading Library от Nvidia.
• Hugging Face: «Efficient Training on Multiple GPUs ^[48]».
• Серия видео ^[49] о параллелизме и распределении данных.
• Серия видео ^[50] по PyTorch FSDP.

Инференс

• NVidia: «What Is MLOps? ^[8]».
• ml-ops.org: «MLOps Principles ^[7]».
• Видео: «Mastering LLM Techniques: Inference Optimization ^[15]».
• Туториал на GitHub: «Dynamic Batching & Concurrent Model Execution ^[51]».