服务化性能调优

前置准备

• 完成MindIE环境的安装，参考链接
• 下载好要调优的模型权重
• 下载好性能测试数据集

调优流程

下面以Llama3-8B为例，讲解调优全流程

1.查看模型权重大小

Llama3-8B权重为15GB

1744788873547_image.png

2.计算npuMemSize

计算公式为：Floor[(单卡显存-空闲占用-权重/NPU卡数)* 系数]，系数取值为0.8
单卡空闲显存：61GB
空闲占用：约3GB

1744789525739_image.png

npuMemSize = Floor[ (61 - 3 - 15/1 )] * 0.8 = 34GB

3.计算maxBatchSize

maxBatchSize = Total Block Num/Block Num，需要先计算出"Total Block Num"和"Block Num"的值

• 计算"Total Block Num"的值
  Total Block Num = Floor(NPU显存 / (Block Size * 模型网络层数 * 模型注意力头数 * 注意力头大小 * Cache类型字节数 * Cache数))

  
  
  1744789767150_image.png

对于GQA类模型，注意力头大小=hidden_size/num_attention_heads
将以上参数值代入公式，得到Total Block Num = Floor[34102410241024/(128 * 32 * 8(4096/32)22)] = 2176

• 计算单个请求的"Block Num"
  所需最大Block Num = Ceil(输入Token数/cacheBlockSize)+Ceil(最大输出Token数/cacheBlockSize)
  所需最小Block Num = Ceil(输入Token数/cacheBlockSize)
  所需平均Block Num = Ceil(输入Token数/cacheBlockSize)+Ceil(平均输出Token数/cacheBlockSize)

  从下面benchmark信息获取数据集信息：
  InputTokens: 60(avg), 186(max), 23(min)
  OutputTokens: 467(avg), maxIterTimes(max), 18(min)

  
  
  1744789966163_image.png

**所需最小Block Num = Ceil(60/128) = 1**
**所需最大Block Num = Ceil(60/128)+Ceil(512/128) = 5**
**所需平均Block Num = Ceil(60/128)+Ceil(346/128) = 4**

• 计算"maxBatchSize"
  最小maxBatchSize = Floor[Total Block Num/所需最大Block Num] = 435
  最大maxBatchSize = Floor[Total Block Num/所需最小Block Num] = 2176
  平均maxBatchSize = Floor[Total Block Num/所需平均Block Num] = 544

4.计算maxPrefillBatchSize和maxPrefillTokens的值

• maxPrefillBatchSize建议设置为：maxBatchSize值的一半
  maxPrefillBatchSize = Floor[maxBatchSize/2] = 544/2 = 272

• maxPrefillTokens的值一般不超过8192
  maxPrefillTokens = maxPrefillBatchSize * 数据集token id平均输入长度 = 272*60 = 16320
  根据公式计算出的值大于8192，所以maxPrefillTokens的取值为8192

5.更新配置&性能测试

• 更新配置如下：

  
  
  1744790453247_image.png

• 实测性能
  默认参数测试结果：

  
  
  1744790483118_image.png

参数调优后测试结果：

1744790577292_image.png

可以看到，吞吐提升了18%。