虽然优化后的计算核在微观层面发挥硬件能力，并且并行等技术可以在不同设备上适用，但编译器在中间层级运行，将LLM的高级计算图转换为可在目标硬件上高效执行的低级代码。编译器优化对于实现硬件和模型优化技术（例如量化 (quantization)和剪枝）的全部潜力不可或缺。
专为深度学习 (deep learning)设计的编译器，例如 Apache TVM、谷歌的 XLA（加速线性代数），或集成在 TensorRT 和 ONNX Runtime 等运行时的编译器，在生成可执行代码之前，会对LLM的计算图执行一系列分析和转换。这些优化旨在减少冗余计算，最大限度地减少内存访问开销，并最大化硬件单元的利用率。
LLM的编译器优化方法
有几种编译器技术在加速LLM推理 (inference)方面特别有效：
-
算子合并： LLM计算通常涉及一系列逐元素操作，或一个操作的输出立即作为下一个操作输入的序列（例如，矩阵乘法后跟偏置 (bias)相加和激活函数 (activation function)）。算子合并将多个此类操作组合成一个更大的计算核。
- 优点：
- 减少内存流量： 合并操作之间的中间结果保存在更快的局部内存（寄存器或缓存）中，而不是写回并从较慢的主内存（如GPU显存 (VRAM)）中读取。这对于通常受内存带宽限制的LLM来说极其重要。
- 降低计算核启动开销： 启动许多小型计算核会产生开销。单个合并的计算核减少了这种开销，提高了整体GPU利用率。
- 提高指令级并行性： 更大、合并后的计算核为编译器和硬件调度器提供了更多机会，以找到可以并行执行的独立指令。
考虑Transformer模块中的典型序列：
算子合并将矩阵乘法、偏置相加和ReLU激活等顺序操作组合成单个计算核，从而减少内存传输和启动开销。
-
常量折叠： 在编译过程中，编译器识别计算图中仅依赖于常量输入（如模型权重 (weight)或推理期间不更改的配置参数 (parameter)）的部分。它离线预计算这些部分，有效地将计算“折叠”成常量张量。
- 优点： 减少运行时所需的计算量。虽然许多LLM权重是常量，但激活的动态特性限制了其适用范围（相比其他模型），但它仍然可以简化图的一部分（例如，如果位置编码 (positional encoding)是静态的，则预计算其一部分；如果偏置为零，则简化偏置相加）。
-
布局优化： 张量（多维数组）在内存中的存储方式显著影响性能，特别是在GPU等硬件上，它们倾向于特定的数据布局以实现内存合并和向量 (vector)化操作。例如，用于矩阵乘法的权重可能以行主序或列主序存储。输入激活可能以NCHW（批次，通道，高度，宽度）或NHWC等格式处理。编译器可以自动转换张量布局，以匹配硬件或特定优化计算核（如cuDNN或Tensor Core计算核）所期望的最优格式。
- 优点：
- 改进内存合并： 访问连续内存块速度快得多。优化的布局确保硬件warp中的线程访问相邻数据点。
- 高效向量化 (quantization)： 对齐 (alignment)数据以便由SIMD（单指令多数据）单元或专用硬件（如NVIDIA的Tensor Cores）处理，这些硬件在特定矩阵块形状和布局上高效运行。
- 减少转置开销： 通过全局选择正确的布局，编译器可以最大限度地减少运行时显式、高成本数据转置操作的需求。
-
代数简化： 编译器可以应用数学恒等式来简化表达式。例如，乘以1或加上0可以被消除。虽然这看起来微不足道，但这些简化可能来自图构建或其他优化过程，移除它们可以清理图。
-
静态内存规划： 编译器分析整个计算图和每个张量（中间激活）的生命周期。然后，它可以预先规划内存分配，一旦张量不再需要，就重用内存缓冲区。
- 优点： 减少运行时动态内存分配开销，并最大限度地减少执行模型所需的峰值内存占用。这对于在内存受限设备上部署大型模型尤其重要。
与量化 (quantization)和稀疏性的相互作用
当处理量化或剪枝模型时，编译器优化变得更加重要。
- 量化： 编译器需要理解低精度数据类型（例如INT8、INT4、FP8），并定位能高效处理它们的硬件指令。算子合并可能会将量化/反量化步骤与计算操作结合起来，以最大程度地减少精度转换。
- 稀疏性： 对于剪枝模型，特别是那些具有结构化稀疏性的模型，编译器可以运用稀疏模式的知识，生成跳过涉及零值权重 (weight)或激活的计算的代码。这需要编译器支持稀疏矩阵格式和操作，这是一个活跃的开发方向。
编译器框架和工具链
现代深度学习 (deep learning)部署通常依赖于复杂的编译器框架：
- MLIR（多级中间表示）： 一个核心的编译器基础设施项目（LLVM的一部分），旨在表示和优化机器学习 (machine learning)模型。许多特定领域的编译器都建立在MLIR之上。
- Apache TVM： 一个开源编译器栈，它接受来自PyTorch、TensorFlow和ONNX等框架的模型，并为各种硬件后端（CPU、GPU、专用加速器）生成优化代码。它采用自动调优（AutoTVM、AutoScheduler）等高级技术，以找到最优的计算核实现和合并策略。
- XLA（加速线性代数）： 谷歌为TensorFlow和JAX设计的编译器，面向CPU、GPU和TPU。它执行广泛的图优化，包括合并和布局转换。
- 供应商专用编译器（例如TensorRT）： 硬件供应商通常提供与其硬件功能紧密集成的自有编译器（如NVIDIA的TensorRT）。这些编译器可以自动应用许多优化，包括选择优化计算核、执行合并，以及处理量化 (quantization)的精度校准。
采用这些编译器技术是部署高性能LLM工作流程中的标准组成部分。通过将高级图转换为优化且硬件特定的代码，编译器弥合了模型定义和高效执行之间的差距，相比单独的模型压缩，显著降低了延迟并提高了吞吐量 (throughput)。
