老黄给H100“打鸡血”：英伟达推出大模型加速包，Llama2推理速度翻倍
大模型的推理速度，仅仅一个月就提高了一倍！近日，英伟达宣布推出了一款专为H100设计的“鸡血包”，旨在加速LLM推理过程或许这下可以不用空等明年才能交付的GH200了。GPU的计算能力一直在影响着大型模型的性能，无论是硬件供应商还是使用者，都希望能够获得更快的计算速度而作为大模型背后硬件的最大供应商，英伟达一直在研究怎么给大模型硬件加速。通过与多家AI公司合作，英伟达终于推出了大模型推理优化程序TensorRT-LLM(暂且简称TensorRT)。TensorRT不仅能让大模型的推理速度翻番，使用起来也十
大模型的推理速度，仅仅一个月就提高了一倍！
近日，英伟达宣布推出了一款专为H100设计的“鸡血包”，旨在加速LLM推理过程
或许这下可以不用空等明年才能交付的GH200了
。
GPU的计算能力一直在影响着大型模型的性能，无论是硬件供应商还是使用者，都希望能够获得更快的计算速度
而作为大模型背后硬件的最大供应商，英伟达一直在研究怎么给大模型硬件加速。
通过与多家AI公司合作，英伟达终于推出了大模型推理优化程序TensorRT-LLM(暂且简称TensorRT)。
TensorRT不仅能让大模型的推理速度翻番，使用起来也十分方便。
无需深入了解C++和CUDA，也能快速定制优化策略，在H100上更快地跑大模型。
英伟达科学家范麟熙(Jim Fan)转发并评论称，英伟达的“另一项优势”就是可以最大化利用GPU性能的配套软件。
英伟达通过软件给产品注入了新的活力，就像实践了老黄的那句“买得越多，省得越多”。然而，这并不妨碍一些人觉得产品价格太高
除了价格，也有网友对其运行效果提出了质疑：
我们总是看到(宣传中的)多少倍的性能提升，但自己运行Llama 2的时候每秒还是只能处理几十个token。
对于TensorRT来说，我们需要进一步进行检验，以确定它是否真的有效。让我们先来详细了解一下TensorRT
大模型推理速度翻倍
TensorRT-LLM优化后的H100，对于运行大型模型来说速度有多快呢？
英伟达的通告中给出了Llama 2和GPT-J-6B两种模型的数据。
在经过优化后的H100上，跑Llama 2的推理速度是A100的4.6倍，也是八月份未经优化的H100的1.77倍
而GPT-J-6B的推理速度是A100上的8倍、八月未优化版的2倍。
TensorRT还提供了一个开源的模块化Python API，可以根据不同的LLM需求快速定制优化方案
这个API将深度学习编译器、内核优化、预/后处理和多节点通信功能集成到了一起。
其中针对GPT(2/3)、Llama等常见模型，还有已经定制好的版本，可以“开箱即用”。
通过TensorRT中最新的开源AI内核，开发者还可以对模型自身进行优化，其中就包括了让Transformer大大提速的注意力算法FlashAttention。
TensorRT是一个用于优化深度学习推理的高性能推理引擎。它通过使用混合精度计算、动态图优化和层融合等技术，对LLM推理速度进行了优化。具体而言，TensorRT通过将浮点计算转换为半精度浮点计算，减少了计算量和内存带宽的需求，从而提高了推理速度。此外，TensorRT还使用了动态图优化技术，根据输入数据的特征动态地选择最优的网络结构，进一步提高了推理速度。另外，TensorRT还通过层融合技术将多个计算层合并为一个更高效的计算层，减少了计算和内存访问的开销，进一步提高了推理速度。总之，TensorRT通过多种优化技术，显著提升了LLM推理的速度和效率
首先要得益于TensorRT对多节点协同工作方式进行了优化。
像Llama这样庞大的模型，在单卡上是跑不起来的，需要多块GPU一起跑才能带动。
过去，这一工作需要人们手工把模型拆开来实现。
有了TensorRT，系统能够自动地对模型进行拆分，并且通过NVLink在多个GPU之间高效运行
其次，TensorRT还利用了一种名为动态批处理的优化调度技术。
在推理过程中，LLM实际上是通过多次执行模型迭代来进行的
动态批处理技术会将已完成的序列立即踢出，而不是等待整批任务完成后再处理下一组请求。
在实际测试中，动态批处理技术成功地将LLM的GPU请求吞吐量减少了一半，从而显著降低了运行成本
另一个关键点则是将16位精度浮点数转换为8位精度，从而降低内存消耗。
FP8相对于训练阶段的FP16来说，资源消耗更低，同时精确度又高于INT-8，既能提高性能，又不影响模型的准确性
使用Hopper Transformer引擎，系统会自动完成FP16到FP8的转换编译，无需手动修改模型中的任何代码
目前，TensorRT-LLM的早鸟版已经可以下载，正式版将在几周内推出并集成到NeMo框架中
One More Thing
每当大事件出现，总少不了“列文虎克”的身影。
在英伟达的公告中提到了与Meta等人工智能领军企业合作，但没有提及OpenAI
从这则通告中，就有网友发现了这个华点，并发到了OpenAI论坛上：
请让我看看是谁没有被老黄cue到（手动狗头）
你还期待老黄会给我们带来怎样的“惊喜”呢？
正软商城本月促销专区，汇集办公、设计、安全、影音、系统工具及AI软件等正版软件优惠活动，提供限时折扣、特价授权和优惠购买信息，活动库存及价格以页面实时展示为准。
正软商城装机必备专区，精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件，帮助用户快速完成新电脑软件配置。
正软商城Windows软件专区，汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件，提供软件介绍、系统要求、正版授权及购买下载服务。
正软商城macOS软件专区，精选适用于Mac电脑的办公、设计、影音、效率、开发和系统工具，提供软件功能介绍、macOS兼容版本、正版授权及购买下载服务。
正软商城iOS软件专区，精选适用于iPhone和iPad的办公、学习、影音、设计、效率及AI应用，提供功能介绍、适用设备、系统要求和正版获取方式等信息。
正软商城AI软件专区，汇集AI写作、AI绘画、AI视频、AI办公、AI编程、AI翻译、智能客服和数据分析等人工智能工具，提供功能介绍、适用平台、收费方式及正版购买信息。
正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法，同时介绍常用PDF软件和工具的使用技巧。
赤友清理大师是一款为 Mac 设计的智能清理优化工具，可精准扫描垃圾、大文件、重复文件等，释放磁盘空间。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
Wise Folder Hider Pro 是一款专业级文件和文件夹隐藏加密软件，为私密数据添加多重保护。高频操作更强调就近处理，浏览、整理和跨目录移动文件时，来回切换和重复点击都会少很多。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
