🤗 Transformers 提供了许多最新最先进 (state-of-the-art, SoTA) 的模型,这些模型横跨多个领域及任务。为了使这些模型能以最佳性能运行,我们需要优化其推理速度及内存使用。
🤗 Hugging Face 生态系统为满足上述需求提供了现成且易于使用的优化工具,这些工具可应用于库中的所有模型。用户只需添加几行代码就可以轻松 减少内存占用 并 提高推理速度。
在本实战教程中,我将演示如何用三个简单的优化技巧来优化 Bark 模型。Bark 是🤗 Transformers 支持的一个文本转语音 (Text-To-Speech, TTS) 模型。所有优化仅依赖于 Transformers、Optimum 以及 Accelerate 这三个 🤗 生态系统库。
本教程还演示了如何对模型及其不同的优化方案进行性能基准测试。
本文对应的 Google Colab 在:
本文结构如下:
目录
-
Bark 模型简介 -
不同优化技巧及其优点概述 -
基准测试结果展示
Bark 模型架构
Bark 是 Suno AI 提出的基于 transformer 的 TTS 模型,其原始代码库为 suno-ai/bark。该模型能够生成各种音频输出,包括语音、音乐、背景噪音以及简单的音效。此外,它还可以产生非语言语音,如笑声、叹息声和抽泣声等。
自 v4.31.0 起,Bark 已集成入 🤗 Transformers!
你可以通过 这个 notebook 试试 Bark 并探索其功能。
Bark 主要由 4 个模型组成:
-
BarkSemanticModel
(也称为 文本 模型): 一个因果自回归 transformer 模型,其输入为分词后的词元序列,并输出能捕获文义的语义词元。 -
BarkCoarseModel
(也称为 粗声学 模型): 一个因果自回归 transformer 模型,其接收BarkSemanticModel
模型的输出,并据此预测 EnCodec 所需的前两个音频码本。 -
BarkFineModel
(也称为 细声学 模型),这次是个非因果自编码器 transformer 模型,它对 先前码本的嵌入和 进行迭代,从而生成最后一个码本。 -
在 EncodecModel
的编码器部分预测出所有码本通道后,Bark 继续用其解码器来解码并输出音频序列。
截至本文撰写时,共有两个 Bark checkpoint 可用,其中一个是 小版,一个是 大版。
加载模型及其处理器
预训练的 Bark 小 checkpoint 和 大 checkpoint 均可从 Hugging Face Hub 上加载。你可根据实际需要加载相应的 repo-id。
为了使实验运行起来快点,我们默认使用小 checkpoint,即 “suno/bark-small”
。但你可以随意改成 “suno/bark”
来尝试大 checkpoint。
from transformers import BarkModel
model = BarkModel.from_pretrained("suno/bark-small")
将模型放到加速器上以优化其速度:
import torch
device = "cuda:0" if torch.cuda.is_available() else "cpu"
model = model.to(device)
加载处理器,它主要处理分词以及说话人嵌入 (若有)。
from transformers import AutoProcessor
processor = AutoProcessor.from_pretrained("suno/bark-small")
优化技巧
本节,我们将探索如何使用 🤗 Optimum 和 🤗 Accelerate 库中的现成功能来以最少的代码改动达到优化 Bark 模型的目的。
设置实验环境
首先,我们准备一个输入文本并定义一个函数来测量 Bark 生成过程的延迟及其 GPU 显存占用情况。
text_prompt = "Let's try generating speech, with Bark, a text-to-speech model"
inputs = processor(text_prompt).to(device)
测量延迟和 GPU 内存占用需要使用特定的 CUDA 函数。我们实现了一个工具函数,用于测量模型的推理延迟及 GPU 内存占用。为了确保结果的准确性,每次测量我们会运行 nb_loops
次求均值:
import torch
from transformers import set_seed
def measure_latency_and_memory_use(model, inputs, nb_loops = 5):
# define Events that measure start and end of the generate pass
start_event = torch.cuda.Event(enable_timing=True)
end_event = torch.cuda.Event(enable_timing=True)
# reset cuda memory stats and empty cache
torch.cuda.reset_peak_memory_stats(device)
torch.cuda.empty_cache()
torch.cuda.synchronize()
# get the start time
start_event.record()
# actually generate
for _ in range(nb_loops):
# set seed for reproducibility
set_seed(0)
output = model.generate(**inputs, do_sample = True, fine_temperature = 0.4, coarse_temperature = 0.8)
# get the end time
end_event.record()
torch.cuda.synchronize()
# measure memory footprint and elapsed time
max_memory = torch.cuda.max_memory_allocated(device)
elapsed_time = start_event.elapsed_time(end_event)* 1.0e-3
print('Execution time:', elapsed_time/nb_loops, 'seconds')
print('Max memory footprint', max_memory*1e-9, ' GB')
return output
基线
在优化之前,我们先测量下模型的基线性能并听一下生成的音频,我们测量五次并求均值:
with torch.inference_mode():
speech_output = measure_latency_and_memory_use(model, inputs, nb_loops = 5)
输出:
Execution time: 9.3841625 seconds
Max memory footprint 1.914612224 GB
现在,我们可以播放一下输出音频:
from IPython.display import Audio
# now, listen to the output
sampling_rate = model.generation_config.sample_rate
Audio(speech_output[0].cpu().numpy(), rate=sampling_rate)
访问 阅读原文 试听或下载该音频文件。
重要说明
上例中运行次数较少。为了测量和后续对比的准确性,运行次数需要增加到至少 100。
增加 nb_loops
一个主要原因是,同一输入的多次运行所生成的语音长度差异也很大。因此当运行次数较少时,有可能通过 measure_latency_and_memory_use
测出的延迟并不能反映出优化方法的实际性能!文末的基准测试取的是 100 次运行的均值,用以逼近模型的真实性能。
1. 🤗 Better Transformer
Better Transformer 是 🤗 Optimum 的一个功能,它可以帮助在后台执行算子融合。这意味着模型的某些操作在 GPU 上的性能将会得到进一步优化,从而加速模型的最终运行速度。
再具体一点,🤗 Transformers 支持的大多数模型都依赖于注意力,这使得模型在生成输出时可以选择性地关注输入的某些部分,因而能够有效地处理远程依赖关系并捕获数据中复杂的上下文关系。
Dao 等人于 2022 年提出了一项名为 Flash Attention 的技术,极大地优化了朴素注意力的性能。
Flash Attention 是一种更快、更高效的注意力算法,它巧妙地结合了一些传统方法 (如平铺和重计算),以最大限度地减少内存使用并提高速度。与之前的算法不同,Flash Attention 将内存使用量从与序列长度呈平方关系降低到线性关系,这对关注内存效率的应用尤其重要。
🤗 Better Transformer 可以开箱即用地支持 Flash Attention!只需一行代码即可将模型导出到 🤗 Better Transformer 并启用 Flash Attention:
model = model.to_bettertransformer()
with torch.inference_mode():
speech_output = measure_latency_and_memory_use(model, inputs, nb_loops = 5)
输出:
Execution time: 5.43284375 seconds
Max memory footprint 1.9151841280000002 GB
访问 阅读原文 试听或下载该音频文件。
利弊
效果不会下降,这意味着你可以获得与基线版本完全相同的结果,同时提速 20% 到 30%!想要了解更多有关 Better Transformer 的详细信息,请参阅此 博文。
2. 半精度
大多数人工智能模型通常使用称为单精度浮点的存储格式,即 fp32
,这在实践中意味着每个数都用 32 比特来存储。
你也可以选择使用 16 比特对每个数进行编码,即所谓的半精度浮点,即 fp16
(译者注: 或 bf16
),这时每个数占用的存储空间就变成了原来的一半!除此以外,你还可以获得计算上的加速!
但天下没有免费的午餐,半精度会带来较小的效果下降,因为模型内部的操作不如 fp32
精确了。
你可以通过简单地在 BarkModel.from_pretrained(...)
的入参中添加 torch_dtype=torch.float16
来将 Transformers 模型加载为半精度!
代码如下:
model = BarkModel.from_pretrained("suno/bark-small", torch_dtype=torch.float16).to(device)
with torch.inference_mode():
speech_output = measure_latency_and_memory_use(model, inputs, nb_loops = 5)
输出:
Execution time: 7.00045390625 seconds
Max memory footprint 2.7436124160000004 GB
访问 阅读原文 试听或下载该音频文件。
利弊
虽然效果略有下降,但内存占用量减少了 50%,速度提高了 5%。
3. CPU 卸载
正如本文第一部分所述,Bark 包含 4 个子模型,这些子模型在音频生成过程中按序调用。换句话说,当一个子模型正在使用时,其他子模型处于空闲状态。
为什么要讨论这个问题呢?因为 GPU 显存在 AI 工作负载中非常宝贵,显存中的运算速度是最快的,而很多情况下显存不足是推理速度的瓶颈。
一个简单的解决方案是将空闲子模型从 GPU 显存中卸载至 CPU 内存,该操作称为 CPU 卸载。
**好消息: ** Bark 的 CPU 卸载已集成至 🤗 Transformers 中,只需一行代码即可使能。唯一条件是,仅需确保安装了 🤗 Accelerate 即可!
model = BarkModel.from_pretrained("suno/bark-small")
# Enable CPU offload
model.enable_cpu_offload()
with torch.inference_mode():
speech_output = measure_latency_and_memory_use(model, inputs, nb_loops = 5)
输出:
Execution time: 8.97633828125 seconds
Max memory footprint 1.3231160320000002 GB
访问 阅读原文 试听或下载该音频文件。
利弊
速度略有下降 (10%),换得内存占用的巨大降低 (60% 🤯)。
启用此功能后, bark-large
占用空间从原先的 5GB 降至 2GB,与 bark-small
的内存占用相同!
如果你还想要降更多的话,可以试试启用 fp16
,内存占用甚至可以降至 1GB。具体可以参见下一节的数据。
4. 组合优化
我们把上述所有优化组合到一起,这意味着你可以合并 CPU 卸载、半精度以及 🤗 Better Transformer 带来的收益!
# load in fp16
model = BarkModel.from_pretrained("suno/bark-small", torch_dtype=torch.float16).to(device)
# convert to bettertransformer
model = BetterTransformer.transform(model, keep_original_model=False)
# enable CPU offload
model.enable_cpu_offload()
with torch.inference_mode():
speech_output = measure_latency_and_memory_use(model, inputs, nb_loops = 5)
输出:
Execution time: 7.4496484375000005 seconds
Max memory footprint 0.46871091200000004 GB
访问 阅读原文 试听或下载该音频文件。
利弊
最终,你将获得 23% 的加速并节约 80% 的内存!
批处理
得陇望蜀?
加个批处理吧,上述 3 种优化技巧加上批处理可以进一步提升速度。批处理即将多个样本组合起来一起推理,这样会使这些样本的总生成时间低于逐样本生成时的总生成时间。
下面给出了一个批处理的简单代码:
text_prompt = [
"Let's try generating speech, with Bark, a text-to-speech model",
"Wow, batching is so great!",
"I love Hugging Face, it's so cool."]
inputs = processor(text_prompt).to(device)
with torch.inference_mode():
# samples are generated all at once
speech_output = model.generate(**inputs, do_sample = True, fine_temperature = 0.4, coarse_temperature = 0.8)
访问 阅读原文 试听或下载上述三个音频文件。
基准测试结果
上文我们进行的这些小实验更多是想法验证,我们需要将其扩展以更准确地衡量性能。另外,在每次正式测量性能之前,还需要先跑几轮以预热 GPU。
以下是扩展至 100 个样本的基准测量的结果,使用的模型为 大 Bark。
该基准测试在 NVIDIA TITAN RTX 24GB 上运行,最大词元数为 256。
如何解读结果?
延迟
该指标主要测量每次调用生成函数的平均时间,无论 batch size 如何。
换句话说,它等于 。
延迟越小越好。
最大内存占用
它主要测量生成函数在每次调用期间使用的最大内存。
内存占用越小越好。
吞吐量
它测量每秒生成的样本数。这次,batch size 的因素已被考虑在内。
换句话说,它等于 。
吞吐量越高越好。
单样本推理
下表为 batch_size=1
的结果。
绝对性能 | 延迟 | 内存占用 |
---|---|---|
无优化 | 10.48 | 5025.0M |
仅 bettertransformer | 7.70 | 4974.3M |
CPU 卸载 + bettertransformer | 8.90 | 2040.7M |
CPU 卸载 + bettertransformer + fp16 | 8.10 | 1010.4M |
相对性能 | 延迟 | 内存占用 |
---|---|---|
无优化 | 0% | 0% |
仅 bettertransformer | -27% | -1% |
CPU 卸载 + bettertransformer | -15% | -59% |
CPU 卸载 + bettertransformer + fp16 | -23% | -80% |
点评
不出所料,CPU 卸载极大地减少了内存占用,同时略微增加了延迟。
然而,结合 bettertransformer 和 fp16
,我们得到了两全其美的效果,巨大的延迟和内存降低!
batch size 为 8
以下是 batch_size=8
时的吞吐量基准测试结果。
请注意,由于 bettertransformer
是一种免费优化,它执行与非优化模型完全相同的操作并具有相同的内存占用,同时速度更快,因此所有的基准测试均 默认开启此优化。
绝对性能 | 延迟 | 内存占用 | 吞吐量 |
---|---|---|---|
基线 (bettertransformer) | 19.26 | 8329.2M | 0.42 |
+ fp16 | 10.32 | 4198.8M | 0.78 |
+ CPU 卸载 | 20.46 | 5172.1M | 0.39 |
+ CPU 卸载 + fp16 | 10.91 | 2619.5M | 0.73 |
相对性能 | 延迟 | 内存占用 | 吞吐量 |
---|---|---|---|
+ 基线 (bettertransformer) | 0% | 0% | 0% |
+ fp16 | -46% | -50% | 87% |
+ CPU 卸载 | 6% | -38% | -6% |
+ CPU 卸载 + fp16 | -43% | -69% | 77% |
点评
这里,我们看到了组合所有三个优化技巧后的性能潜力!
fp16
对延迟的影响在 batch_size = 1
时不太明显,但在 batch_size = 1
时的表现非常有趣,它可以将延迟减少近一半,吞吐量几乎翻倍!
结束语
本文展示了 🤗 生态系统中的一些现成的、简单的优化技巧。使用这些技巧中的任何一种或全部三种都可以极大地改善 Bark 的推理速度和内存占用。
-
使用🤗 Better Transformer 和 CPU 卸载,你可以对大 Bark 模型进行推理,而不会出现任何性能下降,占用空间仅为 2GB (而不是 5GB),同时速度提高 15%。 -
如果你钟情于高吞吐,可以 把 batch size 打到 8,并利用 🤗 Better Transformer 和 fp16。 -
如果你“既要,又要,还要”,试试 fp16、🤗 Better Transformer 加 CPU 卸载 组合优化吧!
🤗 宝子们可以戳 阅读原文 查看文中所有的外部链接哟!
英文原文: https://hf.co/blog/optimizing-bark
原文作者: Yoach Lacombe
译者: Matrix Yao (姚伟峰),英特尔深度学习工程师,工作方向为 transformer-family 模型在各模态数据上的应用及大规模模型的训练推理。
审校/排版: zhongdongy (阿东)
本文分享自微信公众号 - Hugging Face(gh_504339124f0f)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。