advanced/semi_structured_sparse

在 Google Colab 中运行

Colab

下载 Notebook

Notebook

在 GitHub 上查看

GitHub

(beta) 使用半结构化（2:4）稀疏性加速 BERT

创建于：2024 年 4 月 22 日 | 最后更新：2025 年 9 月 29 日 | 最后验证：2024 年 11 月 5 日

作者：Jesse Cai

概述

与其他形式的稀疏性一样，半结构化稀疏性是一种模型优化技术，旨在以牺牲一些模型准确性为代价来减少神经网络的内存开销和延迟。它也称为细粒度结构化稀疏性或2:4 结构化稀疏性。

半结构化稀疏性的名称来源于其独特的稀疏模式，即每 2n 个元素中修剪 n 个。我们最常看到 n=2，因此是 2:4 稀疏性。半结构化稀疏性特别有趣，因为它可以在 GPU 上高效加速，并且不会像其他稀疏模式那样显著降低模型准确性。

通过引入半结构化稀疏性支持，无需离开 PyTorch 即可修剪和加速半结构化稀疏模型。本教程将对此过程进行说明。

在本教程结束时，我们将一个 BERT 问答模型稀疏化为 2:4 稀疏，并对其进行微调，以恢复几乎所有 F1 损失（86.92 密集 vs 86.48 稀疏）。最后，我们将加速这个 2:4 稀疏模型进行推理，从而提高 1.3 倍的速度。

要求

• PyTorch >= 2.1。

• 支持半结构化稀疏性的 NVIDIA GPU（计算能力 8.0+）。

注意

本教程在 NVIDIA A100 80GB GPU 上进行了测试。您可能不会在较新的 GPU 架构上看到类似的速度提升。有关半结构化稀疏性支持的最新信息，请参阅`这里的 README <pytorch/ao>

本教程专为半结构化稀疏性和一般稀疏性的初学者设计。对于已拥有 2:4 稀疏模型的用户，使用 to_sparse_semi_structured 加速 nn.Linear 层进行推理非常直接。这是一个示例

import torch
from torch.sparse import to_sparse_semi_structured, SparseSemiStructuredTensor
from torch.utils.benchmark import Timer

# mask Linear weight to be 2:4 sparse
mask = torch.Tensor([0, 0, 1, 1]).tile((3072, 2560)).cuda().bool()
linear = torch.nn.Linear(10240, 3072).half().cuda().eval()
linear.weight = torch.nn.Parameter(mask * linear.weight)

x = torch.rand(3072, 10240).half().cuda()

with torch.inference_mode():
    dense_output = linear(x)
    dense_t = Timer(stmt="linear(x)",
                    globals={"linear": linear,
                             "x": x}).blocked_autorange().median * 1e3

    # accelerate via SparseSemiStructuredTensor
    linear.weight = torch.nn.Parameter(to_sparse_semi_structured(linear.weight))

    sparse_output = linear(x)
    sparse_t = Timer(stmt="linear(x)",
                    globals={"linear": linear,
                             "x": x}).blocked_autorange().median * 1e3

    # sparse and dense matmul are numerically equivalent
    # On an A100 80GB, we see: `Dense: 0.870ms Sparse: 0.630ms | Speedup: 1.382x`
    assert torch.allclose(sparse_output, dense_output, atol=1e-3)
    print(f"Dense: {dense_t:.3f}ms Sparse: {sparse_t:.3f}ms | Speedup: {(dense_t / sparse_t):.3f}x")

半结构化稀疏性解决了什么问题？

稀疏性的总体动机很简单：如果网络中有零，您可以通过不存储或计算这些参数来优化效率。然而，稀疏性的具体细节很棘手。将参数归零并不会立即影响我们模型的延迟/内存开销。

这是因为密集张量仍然包含被修剪（零）的元素，密集矩阵乘法内核仍将在此元素上进行操作。为了实现性能提升，我们需要用稀疏内核替换密集内核，稀疏内核会跳过涉及被修剪元素的计算。

为此，这些内核处理稀疏矩阵，稀疏矩阵不存储被修剪的元素，并以压缩格式存储指定的元素。

对于半结构化稀疏性，我们存储原始参数的精确一半，以及关于元素排列方式的一些压缩元数据。

有许多不同的稀疏布局，每种布局都有其优点和缺点。2:4 半结构化稀疏布局特别有趣，原因有两个：

• 与以前的稀疏格式不同，半结构化稀疏性被设计为可以在 GPU 上高效加速。2020 年，NVIDIA 在其 Ampere 架构中引入了对半结构化稀疏性的硬件支持，并通过 CUTLASS cuSPARSELt 发布了快速稀疏内核。

• 同时，与其他稀疏格式相比，半结构化稀疏性对模型准确性的影响往往较小，特别是当考虑更高级的修剪/微调方法时。NVIDIA 在其白皮书中表明，一次简单的幅度修剪至 2:4 稀疏然后重新训练模型的范式可以产生几乎相同的模型准确性。

半结构化稀疏性处于一个最佳点，在较低的稀疏度（50%）下提供 2 倍（理论）的速度提升，同时仍然足够精细以保持模型准确性。

网络	数据集	指标	密集 FP16	稀疏 FP16
ResNet-50	ImageNet	Top-1	76.1	76.2
ResNeXt-101_32x8d	ImageNet	Top-1	79.3	79.3
Xception	ImageNet	Top-1	79.2	79.2
SSD-RN50	COCO2017	bbAP	24.8	24.8
MaskRCNN-RN50	COCO2017	bbAP	37.9	37.9
FairSeq Transformer	EN-DE WMT14	BLEU	28.2	28.5
BERT-Large	SQuAD v1.1	F1	91.9	91.9

从工作流程的角度来看，半结构化稀疏性还有一个额外的优势。由于稀疏度固定为 50%，因此更容易将模型稀疏化的问题分解为两个不同的子问题：

• 准确性 - 如何找到一组 2:4 稀疏权重，以最大程度地减少我们模型的准确性下降？

• 性能 - 如何加速我们的 2:4 稀疏权重以进行推理并减少内存开销？

\[\begin{bmatrix} 1 & 1 & 0 & 0 \\ 0 & 0 & 1 & 1 \\ 1 & 0 & 0 & 0 \\ 0 & 0 & 1 & 1 \\ \end{bmatrix}\]

这些问题之间的自然交接点是归零的密集张量。我们的推理解决方案旨在以这种格式压缩和加速张量。我们预计许多用户将提出自定义掩蔽解决方案，因为这是一个活跃的研究领域。

现在我们对半结构化稀疏性有了更多的了解，让我们将其应用于在问答任务 SQuAD 上训练的 BERT 模型。

简介与设置

让我们开始导入所有需要的包。

# If you are running this in Google Colab, run:
# .. code-block: python
#
#    !pip install datasets transformers evaluate accelerate pandas
#
import os
os.environ["WANDB_DISABLED"] = "true"

import collections
import datasets
import evaluate
import numpy as np
import torch
import torch.utils.benchmark as benchmark
from torch import nn
from torch.sparse import to_sparse_semi_structured, SparseSemiStructuredTensor
from torch.ao.pruning import WeightNormSparsifier
import transformers

# force CUTLASS use if ``cuSPARSELt`` is not available
torch.manual_seed(100)

# Set default device to "cuda:0"
torch.set_default_device(torch.device("cuda:0" if torch.cuda.is_available() else "cpu"))

我们还需要定义一些特定于当前数据集/任务的辅助函数。这些函数改编自这个 Hugging Face 课程作为参考。

def preprocess_validation_function(examples, tokenizer):
    inputs = tokenizer(
        [q.strip() for q in examples["question"]],
        examples["context"],
        max_length=384,
        truncation="only_second",
        return_overflowing_tokens=True,
        return_offsets_mapping=True,
        padding="max_length",
    )
    sample_map = inputs.pop("overflow_to_sample_mapping")
    example_ids = []

    for i in range(len(inputs["input_ids"])):
        sample_idx = sample_map[i]
        example_ids.append(examples["id"][sample_idx])
        sequence_ids = inputs.sequence_ids(i)
        offset = inputs["offset_mapping"][i]
        inputs["offset_mapping"][i] = [
            o if sequence_ids[k] == 1 else None for k, o in enumerate(offset)
        ]

    inputs["example_id"] = example_ids
    return inputs


def preprocess_train_function(examples, tokenizer):
    inputs = tokenizer(
        [q.strip() for q in examples["question"]],
        examples["context"],
        max_length=384,
        truncation="only_second",
        return_offsets_mapping=True,
        padding="max_length",
    )

    offset_mapping = inputs["offset_mapping"]
    answers = examples["answers"]
    start_positions = []
    end_positions = []

    for i, (offset, answer) in enumerate(zip(offset_mapping, answers)):
        start_char = answer["answer_start"][0]
        end_char = start_char + len(answer["text"][0])
        sequence_ids = inputs.sequence_ids(i)

        # Find the start and end of the context
        idx = 0
        while sequence_ids[idx] != 1:
            idx += 1
        context_start = idx
        while sequence_ids[idx] == 1:
            idx += 1
        context_end = idx - 1

        # If the answer is not fully inside the context, label it (0, 0)
        if offset[context_start][0] > end_char or offset[context_end][1] < start_char:
            start_positions.append(0)
            end_positions.append(0)
        else:
            # Otherwise it's the start and end token positions
            idx = context_start
            while idx <= context_end and offset[idx][0] <= start_char:
                idx += 1
            start_positions.append(idx - 1)

            idx = context_end
            while idx >= context_start and offset[idx][1] >= end_char:
                idx -= 1
            end_positions.append(idx + 1)

    inputs["start_positions"] = start_positions
    inputs["end_positions"] = end_positions
    return inputs


def compute_metrics(start_logits, end_logits, features, examples):
    n_best = 20
    max_answer_length = 30
    metric = evaluate.load("squad")

    example_to_features = collections.defaultdict(list)
    for idx, feature in enumerate(features):
        example_to_features[feature["example_id"]].append(idx)

    predicted_answers = []
    # for example in ``tqdm`` (examples):
    for example in examples:
        example_id = example["id"]
        context = example["context"]
        answers = []

        # Loop through all features associated with that example
        for feature_index in example_to_features[example_id]:
            start_logit = start_logits[feature_index]
            end_logit = end_logits[feature_index]
            offsets = features[feature_index]["offset_mapping"]

            start_indexes = np.argsort(start_logit)[-1 : -n_best - 1 : -1].tolist()
            end_indexes = np.argsort(end_logit)[-1 : -n_best - 1 : -1].tolist()
            for start_index in start_indexes:
                for end_index in end_indexes:
                    # Skip answers that are not fully in the context
                    if offsets[start_index] is None or offsets[end_index] is None:
                        continue
                    # Skip answers with a length that is either < 0
                    # or > max_answer_length
                    if (
                        end_index < start_index
                        or end_index - start_index + 1 > max_answer_length
                    ):
                        continue

                    answer = {
                        "text": context[
                            offsets[start_index][0] : offsets[end_index][1]
                        ],
                        "logit_score": start_logit[start_index] + end_logit[end_index],
                    }
                    answers.append(answer)

        # Select the answer with the best score
        if len(answers) > 0:
            best_answer = max(answers, key=lambda x: x["logit_score"])
            predicted_answers.append(
                {"id": example_id, "prediction_text": best_answer["text"]}
            )
        else:
            predicted_answers.append({"id": example_id, "prediction_text": ""})

    theoretical_answers = [
        {"id": ex["id"], "answers": ex["answers"]} for ex in examples
    ]
    return metric.compute(predictions=predicted_answers, references=theoretical_answers)

在定义了这些函数之后，我们只需要一个额外的辅助函数，它将帮助我们对模型进行基准测试。

def measure_execution_time(model, batch_sizes, dataset):
    dataset_for_model = dataset.remove_columns(["example_id", "offset_mapping"])
    dataset_for_model.set_format("torch")
    batch_size_to_time_sec = {}
    for batch_size in batch_sizes:
        batch = {
            k: dataset_for_model[k][:batch_size].cuda()
            for k in dataset_for_model.column_names
        }

        with torch.no_grad():
            baseline_predictions = model(**batch)
            timer = benchmark.Timer(
                stmt="model(**batch)", globals={"model": model, "batch": batch}
            )
            p50 = timer.blocked_autorange().median * 1000
            batch_size_to_time_sec[batch_size] = p50

            model_c = torch.compile(model, fullgraph=True)
            timer = benchmark.Timer(
                stmt="model(**batch)", globals={"model": model_c, "batch": batch}
            )
            p50 = timer.blocked_autorange().median * 1000
            batch_size_to_time_sec[f"{batch_size}_compile"] = p50
            new_predictions = model_c(**batch)

    return batch_size_to_time_sec

我们将从加载模型和分词器开始，然后设置我们的数据集。

# load model
model_name = "bert-base-cased"
tokenizer = transformers.AutoTokenizer.from_pretrained(model_name)
model = transformers.AutoModelForQuestionAnswering.from_pretrained(model_name)
print(f"Loading tokenizer: {model_name}")
print(f"Loading model: {model_name}")

# set up train and val dataset
squad_dataset = datasets.load_dataset("squad")
tokenized_squad_dataset = {}
tokenized_squad_dataset["train"] = squad_dataset["train"].map(
    lambda x: preprocess_train_function(x, tokenizer), batched=True
)
tokenized_squad_dataset["validation"] = squad_dataset["validation"].map(
    lambda x: preprocess_validation_function(x, tokenizer),
    batched=True,
    remove_columns=squad_dataset["train"].column_names,
)
data_collator = transformers.DataCollatorWithPadding(tokenizer=tokenizer)

建立基线

接下来，我们将对我们的 BERT 模型在 SQuAD 上进行快速基线训练。此任务要求模型识别给定上下文中（维基百科文章）回答给定问题的文本片段或段落。运行以下代码，我得到了 86.9 的 F1 分数。这非常接近 NVIDIA 报告的分数，差异可能归因于 BERT-base 与 BERT-large 或微调的超参数。

training_args = transformers.TrainingArguments(
    "trainer",
    num_train_epochs=1,
    lr_scheduler_type="constant",
    per_device_train_batch_size=32,
    per_device_eval_batch_size=256,
    logging_steps=50,
    # Limit max steps for tutorial runners. Delete the below line to see the reported accuracy numbers.
    max_steps=500,
    report_to=None,
)

trainer = transformers.Trainer(
    model,
    training_args,
    train_dataset=tokenized_squad_dataset["train"],
    eval_dataset=tokenized_squad_dataset["validation"],
    data_collator=data_collator,
    tokenizer=tokenizer,
)

trainer.train()

# batch sizes to compare for eval
batch_sizes = [4, 16, 64, 256]
# 2:4 sparsity require fp16, so we cast here for a fair comparison
with torch.autocast("cuda"):
    with torch.no_grad():
        predictions = trainer.predict(tokenized_squad_dataset["validation"])
        start_logits, end_logits = predictions.predictions
        fp16_baseline = compute_metrics(
            start_logits,
            end_logits,
            tokenized_squad_dataset["validation"],
            squad_dataset["validation"],
        )
        fp16_time = measure_execution_time(
            model,
            batch_sizes,
            tokenized_squad_dataset["validation"],
        )

print("fp16", fp16_baseline)
print("cuda_fp16 time", fp16_time)

import pandas as pd
df = pd.DataFrame(trainer.state.log_history)
df.plot.line(x='step', y='loss', title="Loss vs. # steps", ylabel="loss")

将 BERT 修剪为 2:4 稀疏

现在我们有了基线，是时候修剪 BERT 了。有许多不同的修剪策略，但最常见的策略之一是幅度修剪，旨在移除 L1 范数最小的权重。NVIDIA 在其所有结果中都使用了幅度修剪，并且它是一个常见的基线。

为此，我们将使用 torch.ao.pruning 包，其中包含一个权重范数（幅度）稀疏器。这些稀疏器通过将掩码参数化应用于模型的权重张量来工作。这使它们能够通过掩蔽被修剪的权重来模拟稀疏性。

我们还必须决定要对模型的哪些层应用稀疏性，在本例中是所有 nn.Linear 层，但特定于任务的输出头除外。这是因为半结构化稀疏性有形状约束，而特定于任务的 nn.Linear 层不满足这些约束。

sparsifier = WeightNormSparsifier(
    # apply sparsity to all blocks
    sparsity_level=1.0,
    # shape of 4 elements is a block
    sparse_block_shape=(1, 4),
    # two zeros for every block of 4
    zeros_per_block=2
)

# add to config if ``nn.Linear`` and in the BERT model.
sparse_config = [
    {"tensor_fqn": f"{fqn}.weight"}
    for fqn, module in model.named_modules()
    if isinstance(module, nn.Linear) and "layer" in fqn
]

修剪模型的第一个步骤是插入参数化以掩蔽模型的权重。这通过 prepare 步骤完成。任何时候我们尝试访问 .weight，我们将得到 mask * weight。

# Prepare the model, insert fake-sparsity parametrizations for training
sparsifier.prepare(model, sparse_config)
print(model.bert.encoder.layer[0].output)

然后，我们将进行一次修剪。所有修剪器都实现了一个 update_mask() 方法，该方法根据修剪器的实现逻辑更新掩码。step 方法会为稀疏配置中指定的权重调用此 update_mask 函数。

我们还将评估模型，以显示零样本修剪（即不进行微调/重新训练的修剪）的准确性下降。

sparsifier.step()
with torch.autocast("cuda"):
    with torch.no_grad():
        predictions = trainer.predict(tokenized_squad_dataset["validation"])
    pruned = compute_metrics(
        *predictions.predictions,
        tokenized_squad_dataset["validation"],
        squad_dataset["validation"],
    )
print("pruned eval metrics:", pruned)

在此状态下，我们可以开始微调模型，更新不会被修剪的元素，以更好地弥补准确性损失。一旦达到满意状态，我们就可以调用 squash_mask 来融合掩码和权重。这将移除参数化，我们留下一个归零的 2:4 密集模型。

trainer.train()
sparsifier.squash_mask()
torch.set_printoptions(edgeitems=4)
print(model.bert.encoder.layer[0].intermediate.dense.weight[:8, :8])

df["sparse_loss"] = pd.DataFrame(trainer.state.log_history)["loss"]
df.plot.line(x='step', y=["loss", "sparse_loss"], title="Loss vs. # steps", ylabel="loss")

加速 2:4 稀疏模型进行推理

现在我们有了一个这种格式的模型，我们可以像在 QuickStart 指南中一样加速它进行推理。

model = model.cuda().half()
# accelerate for sparsity
for fqn, module in model.named_modules():
    if isinstance(module, nn.Linear) and "layer" in fqn:
        module.weight = nn.Parameter(to_sparse_semi_structured(module.weight))

with torch.no_grad():
    predictions = trainer.predict(tokenized_squad_dataset["validation"])
start_logits, end_logits = predictions.predictions
metrics_sparse = compute_metrics(
    start_logits,
    end_logits,
    tokenized_squad_dataset["validation"],
    squad_dataset["validation"],
)
print("sparse eval metrics: ", metrics_sparse)
sparse_perf = measure_execution_time(
    model,
    batch_sizes,
    tokenized_squad_dataset["validation"],
)
print("sparse perf metrics: ", sparse_perf)

在幅度修剪后重新训练我们的模型几乎恢复了模型修剪时丢失的所有 F1。同时，我们实现了 bs=16 的 1.28 倍速度提升。请注意，并非所有形状都能从性能改进中受益。当批次大小较小且计算稀疏内核的时间有限时，稀疏内核可能比密集内核慢。

由于半结构化稀疏性作为张量子类实现，因此它与 torch.compile 兼容。当与 to_sparse_semi_structured 组合时，我们能够在 BERT 上实现 2 倍的总加速。

指标	fp16	2:4 稀疏	差值/加速	已编译
精确匹配 (%)	78.53	78.44	-0.09
F1 (%)	86.93	86.49	-0.44
时间 (bs=4)	11.10	15.54	0.71x	否
时间 (bs=16)	19.35	15.74	1.23x	否
时间 (bs=64)	72.71	59.41	1.22x	否
时间 (bs=256)	286.65	247.63	1.14x	否
时间 (bs=4)	7.59	7.46	1.02x	是
时间 (bs=16)	11.47	9.68	1.18x	是
时间 (bs=64)	41.57	36.92	1.13x	是
时间 (bs=256)	159.22	142.23	1.12x	是

结论

在本教程中，我们展示了如何将 BERT 修剪为 2:4 稀疏以及如何加速 2:4 稀疏模型进行推理。通过利用我们的 SparseSemiStructuredTensor 子类，我们实现了比 fp16 基线高 1.3 倍的加速，并且使用 torch.compile 最高可达 2 倍。我们还通过微调 BERT 来恢复任何丢失的 F1（86.92 密集 vs 86.48 稀疏）来演示 2:4 稀疏的优势。