[Bug] 显存不断重新加载 并且解码速度很慢

[DingJuPeng1]

描述该错误

使用llama_7B_hf 这个模型进行解码评测 观测nvidia-smi 里面显卡的使用会不断有显存开辟释放 八块a100 两个小时只解了300条 速度很慢 求助是否有设置上的问题
下图是模型设置

显卡观测

环境信息

{'CUDA available': True,
'CUDA_HOME': '/home/work/cuda-11.3',
'GCC': 'gcc (GCC) 8.2.0',
'GPU 0,1,2,3,4,5,6,7': 'NVIDIA A100-SXM4-40GB',
'MMEngine': '0.8.2',
'NVCC': 'Cuda compilation tools, release 11.3, V11.3.58',
'OpenCV': '4.8.0',
'PyTorch': '2.0.1',
'PyTorch compiling details': 'PyTorch built with:\n'
' - GCC 9.3\n'
' - C++ Version: 201703\n'
' - Intel(R) oneAPI Math Kernel Library Version '
'2023.1-Product Build 20230303 for Intel(R) 64 '
'architecture applications\n'
' - Intel(R) MKL-DNN v2.7.3 (Git Hash '
'6dbeffbae1f23cbbeae17adb7b5b13f1f37c080e)\n'
' - OpenMP 201511 (a.k.a. OpenMP 4.5)\n'
' - LAPACK is enabled (usually provided by '
'MKL)\n'
' - NNPACK is enabled\n'
' - CPU capability usage: AVX2\n'
' - CUDA Runtime 11.8\n'
' - NVCC architecture flags: '
'-gencode;arch=compute_37,code=sm_37;-gencode;arch=compute_50,code=sm_50;-gencode;arch=compute_60,code=sm_60;-gencode;arch=compute_61,code=sm_61;-gencode;arch=compute_70,code=sm_70;-gencode;arch=compute_75,code=sm_75;-gencode;arch=compute_80,code=sm_80;-gencode;arch=compute_86,code=sm_86;-gencode;arch=compute_90,code=sm_90;-gencode;arch=compute_37,code=compute_37\n'
' - CuDNN 8.7\n'
' - Magma 2.6.1\n'
' - Build settings: BLAS_INFO=mkl, '
'BUILD_TYPE=Release, CUDA_VERSION=11.8, '
'CUDNN_VERSION=8.7.0, '
'CXX_COMPILER=/opt/rh/devtoolset-9/root/usr/bin/c++, '
'CXX_FLAGS= -D_GLIBCXX_USE_CXX11_ABI=0 '
'-fabi-version=11 -Wno-deprecated '
'-fvisibility-inlines-hidden -DUSE_PTHREADPOOL '
'-DNDEBUG -DUSE_KINETO -DLIBKINETO_NOROCTRACER '
'-DUSE_FBGEMM -DUSE_QNNPACK '
'-DUSE_PYTORCH_QNNPACK -DUSE_XNNPACK '
'-DSYMBOLICATE_MOBILE_DEBUG_HANDLE -O2 -fPIC '
'-Wall -Wextra -Werror=return-type '
'-Werror=non-virtual-dtor -Werror=bool-operation '
'-Wnarrowing -Wno-missing-field-initializers '
'-Wno-type-limits -Wno-array-bounds '
'-Wno-unknown-pragmas -Wunused-local-typedefs '
'-Wno-unused-parameter -Wno-unused-function '
'-Wno-unused-result -Wno-strict-overflow '
'-Wno-strict-aliasing '
'-Wno-error=deprecated-declarations '
'-Wno-stringop-overflow -Wno-psabi '
'-Wno-error=pedantic -Wno-error=redundant-decls '
'-Wno-error=old-style-cast '
'-fdiagnostics-color=always -faligned-new '
'-Wno-unused-but-set-variable '
'-Wno-maybe-uninitialized -fno-math-errno '
'-fno-trapping-math -Werror=format '
'-Werror=cast-function-type '
'-Wno-stringop-overflow, LAPACK_INFO=mkl, '
'PERF_WITH_AVX=1, PERF_WITH_AVX2=1, '
'PERF_WITH_AVX512=1, '
'TORCH_DISABLE_GPU_ASSERTS=ON, '
'TORCH_VERSION=2.0.1, USE_CUDA=ON, USE_CUDNN=ON, '
'USE_EXCEPTION_PTR=1, USE_GFLAGS=OFF, '
'USE_GLOG=OFF, USE_MKL=ON, USE_MKLDNN=ON, '
'USE_MPI=OFF, USE_NCCL=ON, USE_NNPACK=ON, '
'USE_OPENMP=ON, USE_ROCM=OFF, \n',
'Python': '3.10.12 (main, Jul 5 2023, 18:54:27) [GCC 11.2.0]',
'TorchVision': '0.15.2',
'numpy_random_seed': 2147483648,
'opencompass': '0.1.0+4b0aa80',
'sys.platform': 'linux'}

其他信息

No response

[mm-assistant]

We recommend using English or English & Chinese for issues so that we could have broader discussion.

[Ezra-Yu]

感谢你的报告，我们后续会改进这里的体验。我们正在考虑优化一下小模型的切分方案，或者从根本上启动一个维护模型的进程，不用每个task都进行多次加载，释放。

[DingJuPeng1]

好的 期待你们新的版本

[DingJuPeng1]

那再请问一下 我有什么设置可以加速这个模型的解码吗 目前看来八块a100要评测完一个小数据集合 还是会耗费大量的时间

[Ezra-Yu]

那再请问一下 我有什么设置可以加速这个模型的解码吗 目前看来八块a100要评测完一个小数据集合 还是会耗费大量的时间

这个一般都是模型本身以及huggingface需要考虑的问题，我们主要专注于评测部分

但是根据我们的经验，原生的llama会快于使用huggingface接口。

[DingJuPeng1]

我对huggingface解码不是特别了解 请问现在是八块卡分别加载完整的模型然后分隔数据集解码吗？ 是什么导致了模型频繁开辟申请呢 batchsize的设定是否生效 因为我观测到的解码速度和我之前单卡测llama-7b的速度相差很大

[Ezra-Yu]

请问现在是八块卡分别加载完整的模型然后分隔数据集解码吗？

是的，

是什么导致了模型频繁开辟申请呢 batchsize的设定是否生效

默认的任务切分参数主要考虑的 100+B模型的推理，就是task的分片太小，导致频繁实例化，加载，推理，释放。具体可参考size 调整一下分片大小。

batchsize 是生效的，但生成慢是因为 1. GPT 这类模型，预测 N 个次，就是要推理N次，生成任务就会慢。2. huggingface 的接口会慢于原生llama,这个需要查huggingface的代码看原因。
也有可能其他的问题导致，如果有条件，可以测试一下不用opencompass纯推理同样问题所需要的开销，进行一下对比。

如果你实验的有任何改进，希望反馈给我们，我们会进一步改进opencompass的用户体验。

[DingJuPeng1]

好的感谢

[tonysy]

Feel free to re-open this issue if needed.