From 999c413112e51d0b4752f4dcf080e92b1c9aa55e Mon Sep 17 00:00:00 2001 From: xiao Date: Fri, 5 Jun 2026 22:01:33 +0800 Subject: [PATCH] =?UTF-8?q?=E6=B7=BB=E5=8A=A0AI=20Agent=E7=9B=B8=E5=85=B3?= =?UTF-8?q?=E7=AE=97=E5=AD=90=E4=BC=98=E5=8C=96=E5=8F=8Abaselines=E6=96=87?= =?UTF-8?q?=E4=BB=B6?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- .../Agent说明.md | 54 ++- ...shAttention关键算子迁移与优化.md} | 308 +++--------------- ... FlashInfer关键算子迁移与优化.md} | 0 ....md => MCTLASS_Fused MoE 算子优化.md} | 0 .../__MACOSX/._benchmark_kvcache.py | Bin 0 -> 220 bytes .../__MACOSX/._benchmark_kvcache_1.py | Bin 0 -> 220 bytes .../._benchmark_kvcache_20260526_150953.csv | Bin 0 -> 220 bytes .../flashattn_baseline/benchmark_kvcache.py | 146 +++++++++ .../benchmark_kvcache_20260526_150953.csv | 49 +++ ...=> 模力方舟Agent部署准备教程.md} | 33 +- 10 files changed, 282 insertions(+), 308 deletions(-) rename 基于AI Agent开发范式的国产GPU大模型推理算子库优化/{FlashAttention_Baseline入门.md => FlashAttention关键算子迁移与优化.md} (57%) rename 基于AI Agent开发范式的国产GPU大模型推理算子库优化/{FlashInfer 迁移 Baseline 实战.md => FlashInfer关键算子迁移与优化.md} (100%) rename 基于AI Agent开发范式的国产GPU大模型推理算子库优化/{Fused MoE Baseline入门：快速跑通最小闭环教程.md => MCTLASS_Fused MoE 算子优化.md} (100%) create mode 100644 基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/__MACOSX/._benchmark_kvcache.py create mode 100644 基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/__MACOSX/._benchmark_kvcache_1.py create mode 100644 基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/__MACOSX/._benchmark_kvcache_20260526_150953.csv create mode 100644 基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/benchmark_kvcache.py create mode 100644 基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/benchmark_kvcache_20260526_150953.csv rename 基于AI Agent开发范式的国产GPU大模型推理算子库优化/{模力方舟Agent环境准备教程.md => 模力方舟Agent部署准备教程.md} (96%) diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/Agent说明.md b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/Agent说明.md index d4a728e..225f076 100644 --- a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/Agent说明.md +++ b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/Agent说明.md @@ -1,42 +1,43 @@ # Agent 使用说明 +本说明涵盖三个算子的 Agent 辅助能力（FlashInfer、FlashAttention、Fused MoE）以及使用 Agent 时的推荐方式和注意事项。 -## 一、FlashInfer： +## 一、模块功能速查 +### 1.FlashInferFlashInfer： 在本模块中，Agent 可以帮助你完成以下任务： -### 环境检查 +#### 环境检查 ```plaintext 请帮我检查当前环境是否满足 FlashInfer 运行要求，包括 GPU、Python、PyTorch 和 flashinfer 依赖。 ``` -### 运行测试 +#### 运行测试 ```plaintext 请帮我运行 bench_batch_decode.py 脚本，执行 BatchDecode 的基准测试。 ``` -### 分析结果 +#### 分析结果 ```plaintext 请帮我读取最新的 CSV 结果文件，分析各参数配置下的性能表现，找出带宽最高和 TFLOPs 最高的配置。 ``` -### 问题排查 +#### 问题排查 ```plaintext 运行时报错 out of memory，请帮我分析原因并给出解决方案。 ``` -### 代码理解 +#### 代码理解 ```plaintext 请帮我解释 bench_common.py 中 run_with_profiler 函数的工作原理。 ``` -## 二、FlashAttention： +### 2. FlashAttention： 在本模块中，Agent 可用于以下场景： - -### Prompt 模板 +#### Prompt 模板 **环境验证：** @@ -62,10 +63,10 @@ ``` --- -## 三、Fused MoE： +### 3. Fused MoE： 在本模块中，Agent可以帮助你完成以下任务： -### 环境检查 +#### 环境检查 ```plaintext 我正在算力平台部署 fused_moe_baseline 源码。 @@ -80,13 +81,13 @@ 2. 是否有潜在的不兼容风险（如 Python 与 libpython 版本）？ ``` -### 运行测试 +#### 运行测试 ```plaintext 请帮我运行 scripts/run_fused_moe_i8_tn_pybind_test.sh 脚本 ``` -### 分析结果 +#### 分析结果 ```plaintext 这是性能测试结果： @@ -100,7 +101,7 @@ 3. 当前结果是否已经具备提交价值？ ``` -### 报错检查 +#### 报错检查 ```plaintext 编译 pybind 时出现以下错误： @@ -116,15 +117,34 @@ 3. 如何在 build_fused_moe_i8_tn_pybind.sh 中正确指定路径？ ``` -### 代码理解 +#### 代码理解 ```plaintext 请帮我梳理释 benchmark_fused_moe_i8_tn.py 代码整体框架 ``` -### KernelSwift 系统搜索算子 +#### KernelSwift 系统搜索算子 ```plaintext 请帮我在算子广场检索 fused_moe 算子 -``` \ No newline at end of file +``` +## 二、推荐工作方式 +使用 Agent 时，不要一开始就让它“直接优化到最快”。推荐节奏是： + +先让它检查目录。 + +再让它跑通原始 baseline。 + +然后让它只做一处小修改。 + +每次修改后必须 build、test、benchmark。 + +每轮都记录结果。 + +## 三、注意事项 +使用 Agent 不要相信没有命令输出支持的环境判断。 + +不要让 Agent 同时修改很多文件。 + +不要让 Agent 修改测试标准。 \ No newline at end of file diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/FlashAttention_Baseline入门.md b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/FlashAttention关键算子迁移与优化.md similarity index 57% rename from 基于AI Agent开发范式的国产GPU大模型推理算子库优化/FlashAttention_Baseline入门.md rename to 基于AI Agent开发范式的国产GPU大模型推理算子库优化/FlashAttention关键算子迁移与优化.md index 1fc5f63..de3257b 100644 --- a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/FlashAttention_Baseline入门.md +++ b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/FlashAttention关键算子迁移与优化.md @@ -163,79 +163,30 @@ --- ## 四、前置准备 - 开始实战前，请确认你已经完成以下准备： -### 环境准备 +* **设置领取与兑换算力券** + + * 前往沐曦开发者社区注册账号并完成邮箱验证，申请并获取 MACA 算力代金券兑换码。 + + + 链接：[https://developer.metax-tech.com/activities/6](https://developer.metax-tech.com/activities/6) + + * 登录 模力方舟平台 (Gitee AI)，在“费用中心 -> 算力券”页面输入兑换码完成充值。 + + + 链接：[https://ai.gitee.com/](https://ai.gitee.com/) + +* **创建并启动实例** + + * 进入 算力市场，筛选“沐曦”芯片厂商，选择合适的 GPU 规格（推荐 曦云 C500 节点）。 + + * **关键配置：** 在预装镜像处，务必选择专属开发镜像（`PyTorch Agent/2.8.0/Python 3.12/maca 3.7.2.1`）。 + + * 创建完成后，进入算力容器，点击“工具-lab”即可打开 JupyterLab 终端开始项目创作。 + -#### 开发环境设置 - -1. **在沐曦开发者社区领取算力券** - - * 领取链接：[https://developer.metax-tech.com/activities/6](https://developer.metax-tech.com/activities/6) - - * 登录平台 - - - ![platform login](https://origin.picgo.net/2026/06/04/platform-login626620122b08424d.png) - - * 首次登录需要先进行注册（使用邮箱或者手机号进行注册） - - - ![platform registration](https://origin.picgo.net/2026/06/04/platform-registrationdb267074af39bf4c.png) - - * 登录成功后进行第二步-邮箱验证，填入自己的邮箱。 - - - ![email verification](https://origin.picgo.net/2026/06/04/email-verificationc3f391bb747318e0.png) - - * 第三步，提交申请。 - - - ![submit application](https://origin.picgo.net/2026/06/04/submit-application3bf7ac4724e13ae8.png) - - * 获得兑换码 - - - ![get redeem code](https://origin.picgo.net/2026/06/04/get-redeem-code3f6a20e5f9cbbd38.png) - -2. **在模力方舟平台兑换算力券** - - * 平台链接：[https://ai.gitee.com/](https://ai.gitee.com/) - - * 1.登录模力方舟平台 - - - ![ai.gitee login](https://origin.picgo.net/2026/06/04/ai.gitee-login7d9fe2b5e35e3a92.png) - - * 2.进入费用中心 - 算力券 ， 点击右上角“兑换” - - - ![redeem compute voucher](https://origin.picgo.net/2026/06/04/redeem-compute-voucher0eb15e2f3f9b7bbd.png) - -3. **租用算力** - - * 模力方舟算力市场链接：https://ai.gitee.com/compute - - * 选择沐曦芯片厂商，并根据项目要求选择相应的配置。 - - - ![rent compute](https://origin.picgo.net/2026/06/04/rent-compute1197cc6d884ce429.png) - -4. **创建实例** - - -专属镜像文件： - -![create instance1](https://origin.picgo.net/2026/06/04/create-instance10ab33dd1b7e14727.png) - -![create instance2](https://origin.picgo.net/2026/06/04/create-instance23666efb720fefa60.png) - -![create instance3](https://origin.picgo.net/2026/06/04/create-instance3f18b4323644d3447.png) - -  进入算力容器，刚创建的实例默认开机状态，点击工具-lab开始项目创作。 - -**重要说明：**由于本次使用的是预装的专属镜像，环境中已经默认安装并配置好了 PyTorch、FlashAttention、einops 等所有依赖包。因此在启动实例后，无需再进行繁琐的依赖库版本验证即可直接进入测试环节。 +**说明：**由于本次使用的是预装的专属镜像，环境中已经默认安装并配置好了 PyTorch、FlashAttention、einops 等所有依赖包。因此在启动实例后，无需再进行繁琐的依赖库版本验证即可直接进入测试环节。 ### 代码准备 @@ -246,219 +197,52 @@ --- -## 五、知识预备 +## 五、知识速览 -### 名词解释 +### 关键术语 -| 术语 | 说明 | -| --- | --- | -| **KV-Cache** | Key-Value Cache，Transformer 推理时缓存历史 token 的 Key 和 Value 向量，避免重复计算 | -| **Paged KV-Cache** | 将 KV-Cache 分页管理，提高显存利用率，类似操作系统的虚拟内存分页机制 | -| **flash\_attn\_with\_kvcache** | FlashAttention 提供的带 KV-Cache 支持的注意力计算核函数 | -| **batch\_size** | 批大小，一次处理的样本数量 | -| **seq\_len\_kv** | KV 序列长度，KV-Cache 中缓存的历史 token 数量 | -| **headdim** | Head Dimension，注意力头的维度 | -| **带宽 (Bandwidth)** | 显存带宽，单位 GB/s，衡量 GPU 读写显存的速度 | - -### 核心概念详解 - -#### 什么是正确性测试与性能测试 - -* **正确性测试 (Correctness Testing)：**解决“算得对不对”的问题。它的目标是验证当前算子的输出结果，在数学精度上是否与标准参考实现完全一致。这是所有测试的绝对前提底线。 +* **KV-Cache**：缓存历史 Token 的 Key/Value 向量，避免 Transformer 推理时重复计算。 -* **性能测试 (Performance Testing)：**解决“跑得快不快”的问题。它的目标是在验证正确性的基础上，测量算子在特定硬件上的执行耗时、吞吐量和有效带宽利用率。本教程执行的 Benchmark 脚本，正是一个纯粹的性能测试。 +* **Paged KV-Cache**：将 KV-Cache 分页管理，减少显存碎片，提高利用率。 -* **二者区别：** +* **Batch Size**：一次处理的样本数，越大并行度越高，但显存占用越大。 + +* **seq\_len\_kv**：KV-Cache 中已缓存的历史 Token 数量。 + +* **headdim**：注意力头维度，常见为 64/128/256。 -| 维度 | 性能测试 | 正确性测试 | -| --- | --- | --- | -| 测试目标 | 测量速度、带宽 | 验证输出结果 | -| 关注输出 | 否 | 是 | -| 关注效率 | 是 | 否 | -| 是否需要 Baseline | 是 | 不一定 | -| 是否受实现不同而影响 | 大 | 是（精度不同可能影响） | +### 核心知识 -**二者联系：** - -在实际开发中： - -正确性测试（先） - -      ↓ - -建立 Baseline - -      ↓ - -性能分析 - -      ↓ - -优化实现 - -      ↓ - -性能测试对比 Baseline - -      ↓ - -回归正确性验证（保证没变坏） - -在算子优化迭代中，每一次修改底层代码，都必须**先通过正确性测试**确立功能基准，**再运行性能测试**对比性能基准 Baseline，确保速度的提升绝不是以牺牲结果正确性为代价。 - -#### 什么是 Benchmark（基准测试） - -Benchmark 是一种标准化的性能测量方法，通过在固定条件下反复运行同一任务，获取可重复、可对比的性能指标。在 GPU 算子优化场景中，benchmark 的作用是： - -* **建立性能基线**：在优化前记录原始性能数据，作为后续对比的参照 +* **正确性测试 ：**验证算子输出结果的数学精度是否与标准实现一致，这是**绝对底线**。 -* **量化优化效果**：优化后运行同样的 benchmark，直接对比时间/带宽变化 - -* **发现性能瓶颈**：通过不同参数组合的测试结果，定位性能拐点 +* **性能测试 ：**在正确的前提下，测算速度与吞吐。通过建立 **Baseline（基线），**才能量化后续每次代码修改带来的真实收益（加速比）。 -> 参考：[MLPerf Benchmark 介绍](https://mlcommons.org/benchmarks/) - -#### 什么是 batch\_size、seq\_len、headdim - -这三个参数共同决定了注意力计算的**工作量**和**显存占用**： - -* **batch\_size（批大小）**：一次推理同时处理的样本数量。batch\_size 越大，GPU 并行度越高，但显存占用也线性增长。在 KV-Cache 场景中，batch\_size 对应同时服务的请求数。 +* **Benchmark （基准测试）：**在固定条件下反复运行同一任务，获取可重复的性能指标，用于建立基线、量化优化效果和定位瓶颈。 -* **seq\_len / seq\_len\_kv（序列长度）**：序列中 token 的数量。seq\_len\_kv 特指 KV-Cache 中已缓存的历史 token 数量。序列越长，注意力计算的计算量呈 O(n²) 增长（但 FlashAttention 将其优化为 O(n) 显存），KV-Cache 的显存占用则呈 O(n) 线性增长。 + ### 关键指标 -* **headdim（注意力头维度）**：每个注意力头的向量维度。常见的有 64、128、256。headdim 越大，单个 token 的 Key/Value 向量越宽，KV-Cache 的显存占用与 headdim 成正比。 +* **Kernel 执行时间**：GPU 核函数运行耗时（ms），使用 GPU 端同步计时获得。 + +* **有效带宽：**`数据传输量 (GB) ÷ Kernel 时间 (s)`，越接近理论峰值说明显存带宽利用越充分。 -三者与显存占用的关系： +### 其他要点 -```Plain -KV-Cache 显存 ≈ batch_size × seq_len_kv × num_heads_k × headdim × 2(K+V) × bytes_per_elem -``` - -> 参考：[Attention Is All You Need (Vaswani et al., 2017)](https://arxiv.org/abs/1706.03762) - -#### 什么是 Kernel 执行时间 - -Kernel（核函数）是运行在 GPU 上的并行计算函数。Kernel 执行时间指从 GPU 开始执行该核函数到执行完毕所花费的时间，通常以**毫秒 (ms)** 为单位。 - -测量方式有两种： - -* **CPU 端计时**：使用 `torch.cuda.synchronize()` + `time.time()`，包含 GPU 调度开销，时间偏大 +* **Warmup**：预热若干次（不记录），使 GPU 进入稳定状态。 -* **GPU 端计时**：使用 CUDA Event 或 profiler，精度更高，直接测量 GPU 上的实际执行时间 +* **Repeat**：正式运行多次，取平均值或中位数以消除波动。 - -本教程使用 GPU 端同步计时。 - -> 参考：[PyTorch CUDA Semantics](https://pytorch.org/docs/stable/notes/cuda.html) - -#### 什么是有效带宽 - -有效带宽（Effective Bandwidth）是衡量 kernel 实际利用显存带宽效率的指标，计算公式为： - -```Plain -有效带宽 (GB/s) = 数据传输量 (GB) / kernel 执行时间 (s) - -``` - -GPU 显存带宽是有限的（例如沐曦 C500 的理论峰值带宽），有效带宽越接近理论峰值，说明 kernel 对显存带宽的利用率越高。对于**访存密集型**算子（如 KV-Cache 注意力），有效带宽是衡量优化效果的核心指标。 - -* 有效带宽 **接近理论峰值** → kernel 已接近最优，优化空间有限 +* **同步**：调用 `torch.cuda.synchronize()` 确保精确计时。 -* 有效带宽 **远低于理论峰值** → 存在优化空间（如内存访问不合并、bank conflict 等） +* **数据类型**：本教程使用 `bfloat16`，在精度和性能取得平衡。 - -> 参考：[CUDA C++ Programming Guide - Performance Guidelines](https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html#performance-guidelines) - -#### 为什么要 Warmup / Repeat - -GPU 程序的首次运行往往比后续运行慢，原因包括： - -* **JIT 编译**：部分框架会延迟编译 kernel 代码 +* **显存占用估算**：`KV-Cache ≈ batch × seq_len_kv × num_heads_k × headdim × 2(K+V) × 字节数`。 -* **缓存冷启动**：GPU L2 Cache、TLB 等初始状态为空 +* **OOM 应对**：减小 batch/seq\_len\_kv、使用更小 dtype 或释放中间变量。 -* **频率爬升**：GPU 需要时间从低功耗状态切换到高频率状态 - - -因此，benchmark 流程通常分为两步： - -1. **Warmup（预热）**：先运行若干次（如 10 次），不记录时间，让 GPU 进入稳定状态 - -2. **Repeat（重复测量）**：正式运行多次（如 100 次），记录每次时间，取统计值（均值/中位数） - - -重复测量可以消除随机波动，获得更可靠的性能数据。次数越多，结果越稳定，但耗时也越长。 - -> 参考：[PyTorch Benchmark Utils](https://pytorch.org/tutorials/recipes/recipes/benchmark.html) - -#### CUDA Stream 与同步 - -CUDA 采用异步执行模型，CPU 提交 kernel 到 GPU 后不等待完成就继续执行。`torch.cuda.synchronize()` 会阻塞 CPU 直到 GPU 上所有已提交的任务完成，这是精确计时的前提。 - -> 参考：[CUDA Streams](https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html#asynchronous-concurrent-execution) - -#### 数据类型（dtype）对性能的影响 - -不同数据类型占用的字节数不同，直接影响显存带宽需求和计算吞吐： - -| 数据类型 | 字节数 | 说明 | -| --- | --- | --- | -| float32 | 4 | 单精度浮点，精度最高 | -| float16 | 2 | 半精度浮点，精度足够且带宽减半 | -| bfloat16 | 2 | Brain Float 16，动态范围与 float32 相同，训练/推理常用 | - -本教程使用 `bfloat16`，在精度和性能之间取得平衡。 - -> 参考：[Mixed Precision Training (Micikevicius et al., 2018)](https://arxiv.org/abs/1710.03740) - -#### Paged KV-Cache 与 Block Table - -传统 KV-Cache 为每个请求预分配连续显存，容易造成碎片和浪费。Paged KV-Cache（灵感来自操作系统虚拟内存）将显存分成固定大小的 page/block，通过 **block\_table** 映射逻辑位置到物理位置： - -* **page\_block\_size**：每个 block 包含的 token 数量（本教程默认 16） - -* **block\_table**：索引张量，记录每个 batch 的 KV-Cache 页面映射关系 - -* **优势**：减少显存碎片，支持动态分配，提高多请求并发效率 - - -> 参考：[Efficient Memory Management for Large Language Model Serving with PagedAttention (Kwon et al., 2023)](https://arxiv.org/abs/2309.06180) - -#### OOM（Out of Memory） - -OOM 表示 GPU 显存不足，无法完成当前计算。常见原因： - -* batch\_size 或 seq\_len\_kv 过大，超出显存容量 - -* 同时存在多个占用显存的进程 - -* 未释放的中间变量占用显存 - - -应对策略：减小 batch\_size/seq\_len\_kv、使用更小的 dtype（如 bfloat16 替代 float32）、使用梯度检查点等。 - -> 参考：[PyTorch CUDA Memory Management](https://pytorch.org/docs/stable/notes/cuda.html#memory-management) - -#### Tensor Core 与矩阵乘法加速 - -现代 GPU（包括沐曦 C500）配备 Tensor Core 单元，专门加速矩阵乘法运算。Attention 计算中的 Q×K^T 和 Attn×V 都是矩阵乘法，能够受益于 Tensor Core 加速。Tensor Core 对数据类型和矩阵维度有对齐要求（通常要求维度为 8 或 16 的倍数），这也是 headdim 通常取 64/128/256 的原因之一。 - -> 参考：[NVIDIA Tensor Core Technology](https://developer.nvidia.com/tensor-cores) - -### 相关链接 - -* [FlashAttention 官方仓库](https://github.com/Dao-AILab/flash-attention) - -* [FlashAttention API 文档](https://github.com/Dao-AILab/flash-attention/blob/main/flash_attn/flash_attn_interface.py) - -* [FlashAttention 论文 (Dao et al., 2022)](https://arxiv.org/abs/2205.14135) - -* [FlashAttention-2 论文 (Dao, 2023)](https://arxiv.org/abs/2307.08691) - -* [PyTorch CUDA 编程最佳实践](https://pytorch.org/docs/stable/notes/cuda.html) +* **Tensor Core**：现代 GPU（含沐曦 C500）的矩阵乘法专用单元，要求维度对齐为 8 或 16 的倍数。 --- diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/FlashInfer 迁移 Baseline 实战.md b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/FlashInfer关键算子迁移与优化.md similarity index 100% rename from 基于AI Agent开发范式的国产GPU大模型推理算子库优化/FlashInfer 迁移 Baseline 实战.md rename to 基于AI Agent开发范式的国产GPU大模型推理算子库优化/FlashInfer关键算子迁移与优化.md diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/Fused MoE Baseline入门：快速跑通最小闭环教程.md b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/MCTLASS_Fused MoE 算子优化.md similarity index 100% rename from 基于AI Agent开发范式的国产GPU大模型推理算子库优化/Fused MoE Baseline入门：快速跑通最小闭环教程.md rename to 基于AI Agent开发范式的国产GPU大模型推理算子库优化/MCTLASS_Fused MoE 算子优化.md diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/__MACOSX/._benchmark_kvcache.py b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/__MACOSX/._benchmark_kvcache.py new file mode 100644 index 0000000000000000000000000000000000000000..53c3adb2fb05211530cb49b3fb60a9a42ed9f7c2 GIT binary patch literal 220 zcmZQz6=P>$Vqox1Ojhs@R)|o50+1L3ClDI}@hTt&@$UdJ5x_AdBnYYuq+<#Yd!T7! vM2Pbz=jZAr78K;9>g6UT=Kv)*7%r|bKPkoTerDZ4t!c;Jr|O{TCXx#Phldu3 literal 0 HcmV?d00001 diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/__MACOSX/._benchmark_kvcache_1.py b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/__MACOSX/._benchmark_kvcache_1.py new file mode 100644 index 0000000000000000000000000000000000000000..53c3adb2fb05211530cb49b3fb60a9a42ed9f7c2 GIT binary patch literal 220 zcmZQz6=P>$Vqox1Ojhs@R)|o50+1L3ClDI}@hTt&@$UdJ5x_AdBnYYuq+<#Yd!T7! vM2Pbz=jZAr78K;9>g6UT=Kv)*7%r|bKPkoTerDZ4t!c;Jr|O{TCXx#Phldu3 literal 0 HcmV?d00001 diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/__MACOSX/._benchmark_kvcache_20260526_150953.csv b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/__MACOSX/._benchmark_kvcache_20260526_150953.csv new file mode 100644 index 0000000000000000000000000000000000000000..53c3adb2fb05211530cb49b3fb60a9a42ed9f7c2 GIT binary patch literal 220 zcmZQz6=P>$Vqox1Ojhs@R)|o50+1L3ClDI}@hTt&@$UdJ5x_AdBnYYuq+<#Yd!T7! vM2Pbz=jZAr78K;9>g6UT=Kv)*7%r|bKPkoTerDZ4t!c;Jr|O{TCXx#Phldu3 literal 0 HcmV?d00001 diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/benchmark_kvcache.py b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/benchmark_kvcache.py new file mode 100644 index 0000000..13dbea8 --- /dev/null +++ b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/benchmark_kvcache.py @@ -0,0 +1,146 @@ +from flash_attn.flash_attn_interface import flash_attn_with_kvcache +import torch +import math +from einops import rearrange +from datetime import datetime +import csv + + +def run_with_profiler(fn, warmup=10, reps=100, print_result=False, target_kernels=None): + """Run function with torch.profiler and return sum of specific kernel times in ms""" + for _ in range(warmup): + fn() + torch.cuda.synchronize() + + with torch.profiler.profile( + activities=[torch.profiler.ProfilerActivity.CUDA], + record_shapes=False, + profile_memory=False, + with_stack=False, + ) as prof: + for _ in range(reps): + fn() + torch.cuda.synchronize() + + if print_result: + print(prof.key_averages().table(sort_by="device_time", row_limit=20)) + + if target_kernels is None: + target_kernels = [] + + kernel_times_us = 0.0 + for evt in prof.key_averages(): + if any(k in evt.key for k in target_kernels): + kernel_times_us += evt.device_time + + ms = kernel_times_us / 1e3 + return ms + + +def calc_bandwidth(batch_size, seqlen_q, seqlen_k, num_heads, num_heads_k, headdim, dtype, ms): + """Calculate bandwidth in GB/s""" + bytes_per_elem = 2 if dtype == torch.bfloat16 else 4 + q_bytes = batch_size * seqlen_q * num_heads * headdim * bytes_per_elem + kv_bytes = batch_size * seqlen_k * num_heads_k * headdim * bytes_per_elem * 2 + total_bytes = q_bytes + kv_bytes + bw_gb_s = (total_bytes / 1e9) / (ms / 1e3) + return bw_gb_s + + +def benchmark_kvcache(batch_size, seqlen_k, seqlen_q, num_heads, num_heads_k, headdim, page_block_size, device, dtype=torch.bfloat16, causal=False): + num_blocks = math.ceil(seqlen_k / page_block_size) * batch_size * 3 + num_blocks = max(1024, num_blocks) + paged_kv_block_size = page_block_size + + nheads = num_heads + nheads_k = num_heads_k + d = headdim + + torch.random.manual_seed(0) + window_size = (-1, -1) + + q = torch.randn(batch_size, seqlen_q, nheads, d, device=device, dtype=dtype) + + k_cache_paged = torch.randn( + num_blocks, paged_kv_block_size, nheads_k, d, device=device, dtype=dtype + ) + v_cache_paged = torch.randn( + num_blocks, paged_kv_block_size, nheads_k, d, device=device, dtype=dtype + ) + block_table = rearrange( + torch.randperm(num_blocks, dtype=torch.int32, device=device), + "(b nblocks) -> b nblocks", + b=batch_size, + ) + + cache_seqlens = torch.full((batch_size,), seqlen_k, dtype=torch.int32, device=device) + + def run_fn(): + flash_attn_with_kvcache( + q, k_cache_paged, v_cache_paged, None, None, + cache_seqlens=cache_seqlens, + cache_batch_idx=None, + block_table=block_table, + causal=causal, + window_size=window_size, + rotary_interleaved=False, + alibi_slopes=None, + num_splits=1, + ) + + return run_fn + + +def main(): + headdims = [256] + page_block_size = 16 + batch_sizes = [1, 2, 4, 8, 16, 32, 64, 128] + seq_lens_kv = [512, 1024, 2048, 4096, 8192, 16384] + + device = "cuda" if torch.cuda.is_available() else "cpu" + dtype = torch.bfloat16 + causal = False + warmup = 10 + repeat = 100 + + num_heads = 8 + num_heads_k = 8 + seqlen_q = 1 + + timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") + csv_path = f"benchmark_kvcache_{timestamp}.csv" + + with open(csv_path, "w", newline="") as f: + writer = csv.writer(f) + writer.writerow(["batch_size", "seq_len_kv", "heads", "headdim", "time_ms", "bandwidth_GB_s"]) + print(f"{'batch_size':>10} {'seq_len_kv':>12} {'heads':>6} {'headdim':>8} {'time_ms':>10} {'bandwidth_GB_s':>15}") + print("-" * 75) + for headdim in headdims: + for seqlen_k in seq_lens_kv: + for batch_size in batch_sizes: + try: + run_fn = benchmark_kvcache( + batch_size=batch_size, + seqlen_k=seqlen_k, + seqlen_q=seqlen_q, + num_heads=num_heads, + num_heads_k=num_heads_k, + headdim=headdim, + page_block_size=page_block_size, + device=device, + dtype=dtype, + causal=causal, + ) + ms = run_with_profiler(run_fn, warmup=warmup, reps=repeat, target_kernels=["flash"]) + bw = calc_bandwidth(batch_size, seqlen_q, seqlen_k, num_heads, num_heads_k, headdim, dtype, ms) + writer.writerow([batch_size, seqlen_k, num_heads, headdim, f"{ms:.4f}", f"{bw:.2f}"]) + print(f"{batch_size:>10} {seqlen_k:>12} {num_heads:>6} {headdim:>8} {ms:>10.4f} {bw:>15.2f}") + except Exception as e: + writer.writerow([batch_size, seqlen_k, num_heads, headdim, "OOM", "OOM"]) + print(f"{batch_size:>10} {seqlen_k:>12} {num_heads:>6} {headdim:>8} {'OOM':>10} {'OOM':>15} # {e}") + + print(f"\nResults saved to {csv_path}") + + +if __name__ == "__main__": + main() diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/benchmark_kvcache_20260526_150953.csv b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/benchmark_kvcache_20260526_150953.csv new file mode 100644 index 0000000..9cc0c4f --- /dev/null +++ b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/baselines/flashattn_baseline/benchmark_kvcache_20260526_150953.csv @@ -0,0 +1,49 @@ +batch_size,seq_len_kv,heads,headdim,time_ms,bandwidth_GB_s +1,512,8,128,0.0322,65.27 +2,512,8,128,0.0324,129.61 +4,512,8,128,0.0332,253.01 +8,512,8,128,0.0355,472.66 +16,512,8,128,0.0546,614.98 +32,512,8,128,0.0817,822.60 +64,512,8,128,0.1297,1035.62 +128,512,8,128,0.2453,1095.50 +1,1024,8,128,0.0578,72.55 +2,1024,8,128,0.0586,143.14 +4,1024,8,128,0.0597,281.24 +8,1024,8,128,0.0625,536.80 +16,1024,8,128,0.0982,683.59 +32,1024,8,128,0.1493,899.64 +64,1024,8,128,0.2403,1117.62 +128,1024,8,128,0.4594,1169.27 +1,2048,8,128,0.1101,76.24 +2,2048,8,128,0.1107,151.64 +4,2048,8,128,0.1119,299.88 +8,2048,8,128,0.1159,578.98 +16,2048,8,128,0.1849,726.23 +32,2048,8,128,0.2843,944.47 +64,2048,8,128,0.4607,1165.56 +128,2048,8,128,0.8868,1211.07 +1,4096,8,128,0.2139,78.46 +2,4096,8,128,0.2151,156.01 +4,4096,8,128,0.2163,310.36 +8,4096,8,128,0.2227,602.81 +16,4096,8,128,0.3574,751.13 +32,4096,8,128,0.5540,969.23 +64,4096,8,128,0.9016,1191.07 +128,4096,8,128,1.7414,1233.34 +1,8192,8,128,0.4215,79.61 +2,8192,8,128,0.4226,158.81 +4,8192,8,128,0.4242,316.39 +8,8192,8,128,0.4362,615.46 +16,8192,8,128,0.7035,763.14 +32,8192,8,128,1.0934,982.11 +64,8192,8,128,1.7814,1205.57 +128,8192,8,128,3.4505,1244.82 +1,16384,8,128,0.8356,80.32 +2,16384,8,128,0.8377,160.23 +4,16384,8,128,0.8407,319.30 +8,16384,8,128,0.8625,622.51 +16,16384,8,128,1.3934,770.60 +32,16384,8,128,2.1695,989.88 +64,16384,8,128,3.5397,1213.41 +128,16384,8,128,6.8668,1250.98 diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/模力方舟Agent环境准备教程.md b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/模力方舟Agent部署准备教程.md similarity index 96% rename from 基于AI Agent开发范式的国产GPU大模型推理算子库优化/模力方舟Agent环境准备教程.md rename to 基于AI Agent开发范式的国产GPU大模型推理算子库优化/模力方舟Agent部署准备教程.md index c46d69d..1870647 100644 --- a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/模力方舟Agent环境准备教程.md +++ b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/模力方舟Agent部署准备教程.md @@ -83,10 +83,10 @@ PyTorch-Agent / 2.8.0 / Python 3.12 / maca 3.7.2.1 PyTorch-Agent / 2.8.0 / Python 3.12 / maca 3.7.2.1 ``` -4. 推荐机器规格： - +4. 日常开发与调试：选用沐曦 GPU，显存 16–32 GB 即可满足需求。 + + **注意：运行性能跑分（Benchmark）时，请务必使用整张单卡（64 GB）。** -沐曦GPU VRAM 16-32 GB即可。 ### 4.2 购买模型资源包 @@ -564,33 +564,8 @@ opencode 请通过真实 shell 命令检查当前目录、Python 版本、mxcc 路径、MACA_PATH 和 baseline 脚本入口。然后检查当前目录结构，并找出 fusedmoe_v2.1 的 build、test、benchmark 入口。先不要修改代码。 ``` -## 七、Agent 使用说明 -### 7.1 推荐工作方式 - -使用 Agent 时，不要一开始就让它“直接优化到最快”。推荐节奏是： - -1. 先让它检查目录。 - -2. 再让它跑通原始 baseline。 - -3. 然后让它只做一处小修改。 - -4. 每次修改后必须 build、test、benchmark。 - -5. 每轮都记录结果。 - - -### 7.2 使用 Agent 的注意事项 - -1. 不要相信没有命令输出支持的环境判断。 - -2. 不要让 Agent 同时修改很多文件。 - -3. 不要让 Agent 修改测试标准。 - - -## 八、常见问题 +## 七、常见问题 ### 问题 1：OpenCode 报 Unauthorized