阿里云& NVIDIA TensorRT Hackathon 2023 決賽圓滿(mǎn)收官

　 域名預(yù)訂/競(jìng)價(jià)，好“米”不錯(cuò)過(guò)

2023年9月 29日,由阿里云、NVIDIA聯(lián)合主辦,阿里云天池平臺(tái)承辦的“NVIDIA TensorRT Hackathon 2023生成式 AI模型優(yōu)化賽”圓滿(mǎn)落幕。該賽事自2020年以來(lái),已成功舉辦三屆,本屆賽事于今年 7月啟動(dòng),吸引了來(lái)自全國(guó)729支開(kāi)發(fā)者團(tuán)隊(duì)報(bào)名參賽,其中共有 40支團(tuán)隊(duì)晉級(jí)復(fù)賽,最終 26支團(tuán)隊(duì)于決賽中脫穎而出,分獲冠軍/亞軍/季軍及優(yōu)勝獎(jiǎng),展現(xiàn)出了卓越的技術(shù)實(shí)力。

解鎖 TensorRT-LLM挖掘生成式 AI新需求

今年的NVIDIA TensorRT Hackathon著重提升選手開(kāi)發(fā) TensorRT應(yīng)用的能力。

在過(guò)去的一年里,生成式 AI迎來(lái)了爆發(fā)式增長(zhǎng)。計(jì)算機(jī)能夠批量生成大量圖像和文本,有的甚至能夠媲美專(zhuān)業(yè)創(chuàng)作者的作品。這為未來(lái)生成式 AI模型的發(fā)展鋪平了道路,令人充滿(mǎn)期待。正因如此,NVIDIA TensorRT Hackathon 2023選擇生成式 AI模型作為比賽的主題,以激發(fā)選手的創(chuàng)新潛力。

今年的比賽設(shè)置了初賽和復(fù)賽兩組賽題——初賽階段,選手需要利用 TensorRT加速帶有 ControlNet的 Stable Diffusion pipeline,以?xún)?yōu)化后的運(yùn)行時(shí)間和出圖質(zhì)量作為主要排名依據(jù);復(fù)賽為開(kāi)放賽題,選手可自由選擇公開(kāi)的 Transformer模型,并利用 TensorRT或 NVIDIA TensorRT-LLM進(jìn)行模型推理優(yōu)化。

NVIDIA TensorRT™作為 GPU上的 AI推理加速庫(kù),一直以來(lái)都備受業(yè)界認(rèn)可與青睞。本次比賽的背后是 NVIDIA TensorRT開(kāi)發(fā)團(tuán)隊(duì)對(duì)產(chǎn)品不斷進(jìn)行改進(jìn)和優(yōu)化的結(jié)果。通過(guò)讓更多模型能夠順利通過(guò) ONNX自動(dòng)解析得到加速,并對(duì)常見(jiàn)模型結(jié)構(gòu)進(jìn)行深度優(yōu)化,極大地提高了 TensorRT的可用性和性能。這意味著大部分模型無(wú)需經(jīng)過(guò)繁瑣的手工優(yōu)化,就能夠在 TensorRT上有出色的性能表現(xiàn)。

TensorRT-LLM是 NVIDIA即將推出用于大語(yǔ)言模型推理的工具,目前已于官網(wǎng)開(kāi)放試用。作為此次復(fù)賽推薦使用的開(kāi)發(fā)工具之一,TensorRT-LLM包含 TensorRT深度學(xué)習(xí)編譯器,并且?guī)в薪?jīng)過(guò)優(yōu)化的 CUDA kernel、前處理和后處理步驟,以及多 GPU/多節(jié)點(diǎn)通信,可以在 NVIDIA GPU上提供出類(lèi)拔萃的性能。它通過(guò)一個(gè)開(kāi)源的模塊化 Python應(yīng)用 API提高易用性和可擴(kuò)展性,使開(kāi)發(fā)人員能夠嘗試新的 LLM,提供最頂尖的性能和快速自定義功能,且不需要開(kāi)發(fā)人員具備深厚的 C++或 CUDA知識(shí)。

作為本次大賽的主辦方之一,阿里云天池平臺(tái)為參賽選手提供了卓越的云上技術(shù)支持,在阿里云GPU云服務(wù)器中內(nèi)置 NVIDIA A10 Tensor Core GPU,參賽者通過(guò)云上實(shí)例進(jìn)行開(kāi)發(fā)和訓(xùn)練優(yōu)化模型,體驗(yàn)云開(kāi)發(fā)時(shí)代的AI工程化魅力。同時(shí),由NVIDIA 30名工程師組成導(dǎo)師團(tuán)隊(duì),為晉級(jí)復(fù)賽的 40支隊(duì)伍提供一對(duì)一輔導(dǎo)陪賽,助力選手獲得佳績(jī)。

從實(shí)踐到迭代腦力與創(chuàng)造力的集中比拼

本次比賽中涌現(xiàn)出大量?jī)?yōu)秀的開(kāi)發(fā)者。在獲獎(jiǎng)的 26支團(tuán)隊(duì)中,有不少團(tuán)隊(duì)選擇借助 TensorRT-LLM對(duì)通義千問(wèn)-7B進(jìn)行模型推理優(yōu)化。

通義千問(wèn)-7B(Qwen-7B)是阿里云研發(fā)的通義千問(wèn)大模型系列的 70億參數(shù)規(guī)模的模型,基于 Transformer的大語(yǔ)言模型,在超大規(guī)模的預(yù)訓(xùn)練數(shù)據(jù)上進(jìn)行訓(xùn)練得到。在 Qwen-7B的基礎(chǔ)上,還使用對(duì)齊機(jī)制打造了基于大語(yǔ)言模型的 AI助手 Qwen-7B-Chat。

獲得此次比賽一等獎(jiǎng)的“無(wú)聲優(yōu)化者(著)”團(tuán)隊(duì),選擇使用 TensorRT-LLM完成對(duì) Qwen-7B-Chat實(shí)現(xiàn)推理加速。在開(kāi)發(fā)過(guò)程中,克服了 Hugging Face轉(zhuǎn) Tensor-LLM、首次運(yùn)行報(bào)顯存分配錯(cuò)誤、模型 logits無(wú)法對(duì)齊等挑戰(zhàn)與困難,最終在優(yōu)化效果上,吞吐量最高提升了4.57倍,生成速度最高提升了5.56倍。

而獲得此次賽事二等獎(jiǎng)的“NaN-emm”團(tuán)隊(duì),在復(fù)賽階段,則選擇使用 TensorRT-LLM實(shí)現(xiàn) RPTQ量化。RPTQ是一種新穎的基于重排序的量化方法,同時(shí)量化了權(quán)重與中間結(jié)果(W8A8),加速了計(jì)算。從最開(kāi)始不熟悉任何 LLM模型,到后續(xù)逐步學(xué)習(xí)和了解相關(guān)技術(shù),“NaN-emm”團(tuán)隊(duì)啟用了GEMM plugin,GPT Attention plugin,完成了 VIT、Q-Former、Vicuna-7B模型的轉(zhuǎn)化,最終通過(guò) 40個(gè)測(cè)試數(shù)據(jù),基于 Torch框架推理耗時(shí) 145秒,而經(jīng)過(guò) TensorRT-LLM優(yōu)化的推理引擎耗時(shí)為 115秒。

本次大賽還涌現(xiàn)了一批優(yōu)秀的開(kāi)發(fā)者,本屆參賽選手鄧順子不僅率領(lǐng)隊(duì)伍獲得了一等獎(jiǎng),還收獲了本次比賽唯一的特別貢獻(xiàn)獎(jiǎng)。他表示,2022年的 Hackathon比賽是他首次接觸 TensorRT,這使他對(duì)模型推理加速產(chǎn)生了濃厚的興趣。盡管當(dāng)時(shí)未能進(jìn)入復(fù)賽,但那次經(jīng)歷讓他深感自身技能的不足。在上一次比賽中,他目睹了頂尖選手使用 FasterTransformer在比賽中取得領(lǐng)先地位,這一經(jīng)歷讓他對(duì) AI技術(shù)有了更深入的理解和追求。隨后,他積極做 TensorRT上的模型開(kāi)發(fā),特別是對(duì) ChatGLM/Bloom等新興模型進(jìn)行了優(yōu)化,感受到了 TensorRT的強(qiáng)大。

今年,他再次參加了 TensorRT Hackathon 2023,利用 TensorRT-LLM成功優(yōu)化了 QWen大模型,實(shí)現(xiàn)了自己的夢(mèng)想。他感謝主辦方給予的機(jī)會(huì),團(tuán)隊(duì)的支持,以及所有參賽者的努力,他期待未來(lái)能與大家一起為 AI技術(shù)的發(fā)展創(chuàng)造更多奇跡。

人工智能應(yīng)用場(chǎng)景創(chuàng)新日新月異,AI模型的開(kāi)發(fā)與部署也需要注入新的動(dòng)能。在此次賽事中,選手們基于 TensorRT挖掘出更多的潛能和功能需求。未來(lái),阿里云和NVIDIA還將持續(xù)為開(kāi)發(fā)者和技術(shù)愛(ài)好者提供展示技能和創(chuàng)意的平臺(tái),天池平臺(tái)將與更多優(yōu)秀的開(kāi)發(fā)者一同推進(jìn) TensorRT的發(fā)展,讓 AI在 GPU上更容易、更高效地部署。

申請(qǐng)創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！