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

创建日期：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精度为代价来减少神经网络的内存开销和延迟。它也被称为细粒度结构化稀疏性或2:4 结构化稀疏性。

半结构化稀疏性得名于其独特的稀疏模式，其中每 2n 个元素中剪除 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 上有效地加速，并且不会像其他稀疏模式那样降低模型精度。

随着 半结构化稀疏性支持 的引入，可以在不离开 PyTorch 的情况下剪除和加速半结构化稀疏模型。我们将在本教程中解释这个过程。

在本教程结束时，我们将对 BERT 问答模型进行 2:4 稀疏化，并对其进行微调以恢复几乎所有的 F1 损失（密集型 86.92 vs. 稀疏型 86.48）。最后，我们将加速此 2:4 稀疏模型进行推理，从而实现 1.3 倍的速度提升。

要求

• PyTorch >= 2.1。

• 具有半结构化稀疏性支持的 NVIDIA GPU（计算能力 8.0+）。

注意

本教程在 NVIDIA A100 80GB GPU 上进行了测试。您可能无法在较新的 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 README `此处 <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。对于具有现有 2:4 稀疏模型的用户，使用 to_sparse_semi_structured 加速 nn.Linear 层进行推理非常简单。这是一个例子

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：如果您的网络中有零，您可以优化效率，方法是不存储或计算这些参数。但是，稀疏性的具体细节很复杂。将参数设置为零并不能立即影响模型的延迟/内存开销。

这是因为密集张量仍然包含剪除的（零）元素，密集矩阵乘法内核仍然会对这些元素进行运算。为了实现性能提升，我们需要用稀疏内核替换密集内核，这些内核会跳过涉及剪除元素的计算。

为此，这些内核处理稀疏矩阵，这些矩阵不存储剪除的元素，而是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一半以及一些关于元素排列方式的压缩元数据。

有许多不同的稀疏布局，每种布局都有其自身的优点和缺点。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，半结构化稀疏性旨在在 GPU 上有效地加速。2020 年，NVIDIA 引入了其 Ampere 架构的半结构化稀疏性硬件支持，并通过 CUTLASS cuSPARSELt 发布了快速稀疏内核。

• 与此同时，半结构化稀疏性往往对模型精度的影响比其他稀疏格式更小，尤其是在考虑更高级的剪枝/微调方法时。NVIDIA 在其 白皮书 中表明，简单的范数剪枝一次达到 2:4 稀疏性，然后重新训练模型，可以产生几乎相同的模型精度。

半结构化稀疏性处于一个甜蜜点，以较低的稀疏性水平（50%）提供 2 倍（理论上）的加速，同时仍然足够细粒度以保持模型精度。

网络	数据集	指标	Dense FP16	Sparse 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

半结构化稀疏性在工作流程方面还有额外的优势。由于稀疏性水平固定为 50%，因此更容易将稀疏化模型的问题分解为两个不同的子问题

• 精度 - 我们如何找到一组 2:4 稀疏权重，以最大限度地减少模型精度的下降？

• 性能 - 我们如何加速 2:4 稀疏权重进行推理和减少内存开销？

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

这两个问题之间的自然交接点是零化的密集张量。我们的推理解决方案旨在压缩和加速这种格式的张量。我们预计许多用户会提出自定义掩码解决方案，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。

简介和设置

让我们从导入所有需要的包开始。

# 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数据集/任务的辅助函数。这些是从 这里 Hugging Face 课程改编的作为参考。

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)

现在定义了这些，我们只需要一个额外的辅助函数，它将帮助我们基准测试我们的模型。

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

我们将首先加载我们的模型和分词器，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 SQuAD 训练一个快速的基线模型。这项任务要求我们的模型识别给定上下文（维基百科文章）中回答给定问题的文本片段或段落。运行以下代码，我获得了 86.9 的 F1 分数。这非常接近 NVIDIA 报告的分数，差异可能是由于 BERT-base vs. BERT-large 或微调超参数造成的。

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 剪枝为 2:4 稀疏

现在我们有了基线，是时候剪枝 BERT 了。有许多不同的剪枝策略，但最常见的一种是范数剪枝，它试图删除 L1 范数最低的权重。NVIDIA 在其所有结果中都使用了范数剪枝，并且是一个常见的基线。

为此，我们将使用 torch.ao.pruning 包，其中包含权重范数（范数）稀疏化器。这些稀疏化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盖剪除的权重来模拟稀疏性。

我们还需要决定将稀疏性应用于模型的哪些层，在本例中，是所有 nn.Linear 层，除了特定任务的头部输出。这是因为半结构化稀疏性具有 形状约束，并且特定任务的 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
]

剪枝模型的第一个步骤是插入参数化以掩盖模型的权重。这是通过准备步骤完成的。每当我们尝试访问 .weight 时，我们将获得 mask * weight 而不是。

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

然后，我们将进行一个剪枝步骤。所有剪枝器都实现了一个 update_mask() 方法，该方法使用由剪枝器实现确定的逻辑来更新掩码。步骤方法为 sparse 配置中指定的权重调用此 update_mask 函数。

我们还将评估模型，以显示零次剪枝的精度下降，或者在没有进行微调/重新训练的情况下进行剪枝。

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)

在这种状态下，我们可以开始微调模型，更新不会被剪枝的元素，以更好地弥补精度损失。一旦我们达到满意的状态，我们可以调用 squash_mask 将掩码和权重融合在一起。这将删除参数化，我们最终得到一个零化的 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

现在我们有了这种格式的模型，我们可以像在快速入门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)

在范数剪枝后重新训练模型已经恢复了几乎所有损失的 F1。同时，对于 bs=16，我们实现了 1.28 倍的速度提升。请注意，并非所有形状都适合性能提升。当批量大小较小并且在计算稀疏内核上花费的时间有限时，稀疏内核可能比其密集对应物慢。

由于半结构化稀疏性被实现为张量子类，因此它与 torch.compile 兼容。与 to_sparse_semi_structured 结合使用时，我们能够在 BERT 上实现 2 倍的总加速。

指标	fp16	2:4 稀疏	delta / speedup	compiled
Exact Match (%)	78.53	78.44	-0.09
F1 (%)	86.93	86.49	-0.44
Time (bs=4)	11.10	15.54	0.71x	否
Time (bs=16)	19.35	15.74	1.23x	否
Time (bs=64)	72.71	59.41	1.22x	否
Time (bs=256)	286.65	247.63	1.14x	否
Time (bs=4)	7.59	7.46	1.02x	是
Time (bs=16)	11.47	9.68	1.18x	是
Time (bs=64)	41.57	36.92	1.13x	是
Time (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 剪枝为 2:4 稀疏，以及如何加速 2:4 稀疏模型的推理。通过利用我们的 SparseSemiStructuredTensor 子类，我们实现了比 fp16 基线快 1.3 倍的速度提升，并且使用 torch.compile 时，速度提升高达 2 倍。我们还通过微调 BERT 来恢复任何损失的 F1 值（密集型 86.92 vs 稀疏型 86.48），证明了 2:4 稀疏性的优势。