Serendipity/CTI-Inference-Opt
1
1
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
116 Commits 2 Branches 0 Tags
5488ad02fd8efb481252e2b42c1389a09f673a9e
Commit Graph

28 Commits

Author SHA1 Message Date
OwnerSunshine530 cc4acca875 feat: collate段内去重+计数 → embedding_bag per_sample_weights(减查表带宽,数学等价) 
collate(不计时)把段内重复sign折叠成(唯一,次数),embedding_bag用per_sample_weights=次数。
slot19等高重复段读量大降。攻最大块(embedding_bag 37%带宽)。走已验证的slot key通路(非新key)。
等价测试+bench --collate-dedup。默认关待验证。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-20 14:46:48 +08:00
OwnerSunshine530 84db692f07 feat: INT8 dense MoE(torch._int_mm,2D拼接W1_cat/W2_cat,top-k加权折进GEMM2,per-tensor激活量化) 
dense MoE两个batched GEMM重写成2D GEMM以用A800 int8 tensor core;计算减半。
quant/dequant是真compute本地可见→本地bench即可判生死。默认关,bench --moe-int8。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-20 01:35:55 +08:00
OwnerSunshine530 b397c142fa feat: 真稀疏MoE(capacity分组,只算top-k,cutlass baddbmm,无host同步) 
按expert排序token+固定capacity分桶,每桶dense baddbmm,减GEMM~3x。argsort/where/
scatter/index_add无.item()/bincount同步(不同于loop MoE)。超容量token丢弃(capacity_factor控)。
等价测试(大capacity无丢弃==dense)。bench --moe-sparse/--moe-cap。默认关待验证。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-17 21:05:55 +08:00
OwnerSunshine530 264130df0f feat: PCOC校准(logit_bias单调偏移,AUC不变,免费+0.34) + bench自动拟合建议bias 
Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-17 20:20:50 +08:00
OwnerSunshine530 575b32f263 feat: fused MoE — baddbmm(cutlass GEMM+bias融合)+跳过推理无用的moe_loss,减kernel 
GEMM保留cutlass(triton GEMM难超),融bias epilogue省add kernel;moe_loss仅训练用,
推理跳过省importance/std/mean。延续减kernel方向(embedding_bag/triton已证评测赚)。
默认开,bench --no-moe-baddbmm/--no-skip-moe-loss 对照。AUC无损。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-17 14:27:59 +08:00
OwnerSunshine530 74bb95a7bd feat: F.embedding_bag 融合查表+池化(单kernel,免[M,512]中间) — 攻最大块(dedup index25%+segment11%=36%) 
triton版profile:attention已优化出top,新大头=embedding池化36%+MoE22%+add18%。
embedding_bag一个kernel做查表+按段求和。等价测试+bench --emb-bag。默认关待验证。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-17 13:30:47 +08:00
OwnerSunshine530 1083aca9fa feat: Triton BLOCK_M 可调(triton_block_m,默认64);bench --triton-bm 扫描 
突破:triton评测39.92s/69.72(vs chunked 47.84/67.998)。继续调BLOCK_M榨。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-17 13:01:50 +08:00
OwnerSunshine530 cdc2dd490b feat: Triton varlen因果flash attention(块对角,单kernel,消逐块调用+mask构造开销) 
每program处理(用户段query块,head),只遍历段内<=该块的key(因果),在线softmax,
fp16读写fp32累加。CONFIG.attn=triton(默认仍chunked);_triton_block_meta每batch算一次
block→段映射8层复用;_resolve_attn在无triton/CPU时回退chunked。等价测试+bench --attn triton。
数学等价(FlashAttention同类,规则允许),不改组网。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-17 00:14:53 +08:00
OwnerSunshine530 4ea6d57a07 feat: movedev_rep — 在move_batch_to_device(不计时/主进程/有模型有数据)算rep,model跳过embedding 
collate_rep 评测端回退(疑num_workers>0子进程无模型)。move_batch_to_device官方明确不计入、
在主进程model(batch)之前调用→有CUDA+_MODEL_REF+batch数据,避开数据访问/调用顺序/子进程三大坑。
rep逐位等价。bench --no-movedev-rep 对照。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-16 19:37:34 +08:00
OwnerSunshine530 e1ad26867e feat: collate_rep — 在collate_fn(定义上不计时)就地算RepEncoder存batch[rep],model跳过embedding 
collate 在两次model(batch)之间运行(取下一batch),永不在计时窗口;且必有数据、必在
load_model之后。比load_model预计算(3连回退)可靠。rep逐位等价(同rep_encoder同batch)。
load_model设_MODEL_REF供collate用;forward优先用batch[rep]。bench重排load_model先于建batch
以本地复现;默认collate_rep=True,--no-collate-rep对照。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-16 18:49:55 +08:00
OwnerSunshine530 9042655fed fix: 修OOM — load_model预计算改流式只加载测试用户+直接逐item算(不建Dataset)+算完释放 
评测异常根因:load_model全量load_sample_files与评测自身数据双倍内存OOM。
改:_load_test_user_items流式过滤(仅测试用户~1.5M)、build_rep_cache直接从item_dict
逐item算(省掉user_items~8GB拷贝)、算完del+gc。bench加--eval-precompute本地真跑
load_model这条路验证不OOM。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-16 12:19:30 +08:00
OwnerSunshine530 2004ad6bb8 feat: 预计算RepEncoder缓存,model(batch)按logid gather跳过embedding层 
不计时的load_model里(或bench从batches)预计算所有item的context-free RepEncoder向量,
排序存(sorted_logids,emb);model(batch)用searchsorted gather、缺失回退现算。逐位等价。
预期 model(batch) 48s->~37s->~70。CONFIG.precompute_rep(eval默认True);bench --precompute-rep。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-15 17:06:56 +08:00
OwnerSunshine530 6625666010 feat: sparse_pool 选项 — (段×唯一)稀疏矩阵乘做池化,避免materialize[M,emb] 
针对 profile 的 dedup展开(15%)+segment_reduce(6.6%)。段内高重复(slot19)塌缩
为单个带权项。CONFIG.sparse_pool;bench --sparse-pool;等价测试已加。默认关,待验证。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-15 15:15:13 +08:00
OwnerSunshine530 2268fa6cf3 feat: dedup_embedding 选项 — 查表前对sign去重(slot19等高重复),减少大表随机访存 
profile显示embedding查表现为头号瓶颈(32%)。torch.unique去重后只查唯一sign
再按逆索引展开,数学逐位等价(AUC不变),省最贵的大表随机gather。bench --dedup-emb。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-15 14:07:23 +08:00
OwnerSunshine530 3d28f61a98 feat: 分块SDPA注意力(--attn chunked)，按用户边界切块降O(S²) 
每块~chunk_users个用户、块内因果SDPA(评测端已验证、无嵌套开销)，sum(块S²)
远小于总S²。仅1次同步读切分边界。之前本地bs=16快13%被MoE同步吃掉，现MoE
同步已消除，切块红利应全露出。CONFIG.attn=chunked/chunk_users；等价测试已加。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-15 13:13:13 +08:00
OwnerSunshine530 adc99b5b41 feat: emb_fp16 选项(Embedding表转FP16,查表带宽减半)；bench --emb-fp16 
embedding查表是显存带宽瓶颈(profile 16%)；FP16表读一半字节。按token量算应
能等比例翻译到评测。代价:embedding权重存FP16微小精度损失,须先测AUC。默认关。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-15 12:26:55 +08:00
OwnerSunshine530 7791674a32 feat: 嵌套张量变长 flash 注意力(--attn varlen)，统一 CONFIG.attn 分发 
每用户当独立序列、is_causal 块对角因果，一个 flash 内核处理一 batch 内所有
用户，无稠密mask/无padding浪费/开销远低于FlexAttention。CONFIG.attn∈
{sdpa(默认),flex,varlen}；bench --attn varlen；test_equiv 加 varlen 等价测试。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-15 09:06:11 +08:00
OwnerSunshine530 9eaf5f5511 fix: Phase B 实测回归(flex+dense慢5-6x)，默认回退 sdpa+loop；bench 加 --profile 
实测 A800：sdpa+loop=15.15s，flex+dense=98s，+compile=82s。模型是开销瓶颈
非算力瓶颈(30TFLOP应0.15s却跑15s)，FlexAttention解决的算力问题非此处瓶颈、
反增开销。默认改回已验证最快的 sdpa+loop。新增 bench --profile 用 torch.profiler
定位真正的开销来源(算子级)。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-15 00:25:53 +08:00
OwnerSunshine530 c1d8b91fb2 feat(Phase B): FlexAttention 块对角注意力 + MoE 稠密向量化 
- scaled_dot_product 分发：block_mask->FlexAttention(每用户仅自身序列内因果，
  避免对~14000长拼接序列做O(S²)稠密注意力)；否则SDPA稠密(回退/对照)。
- CTRModel.build_block_mask 构造块对角因果mask；_use_flex 在SM80+自动启用。
- SMoE 稠密向量化(einsum批量算所有expert后按top-k gather)，消除Python循环/同步；
  保留 _smoe_forward_loop 作数值等价对照。CONFIG.vectorize_moe 可切。
- load_model 加可选 torch.compile。
- tests/test_equiv.py：MoE稠密vs循环、Flex vs稠密SDPA 数值等价(无pytest依赖)。
- bench.py 加 --attn/--moe/--compile 便于A800上对比测速。

需 A800(SM80) 实测；CPU/V100 自动回退 SDPA。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-14 23:30:59 +08:00
OwnerSunshine530 0a971e67ac fix: 缓存改用文本CSV(逐行写)替代pickle，避免容器cgroup OOM静默杀进程 
pickle.dump 150万记录的memo瞬间撑爆容器内存上限被杀；改为流式逐行写
保留的历史行到 cache_filtered_history.csv，读回用 load_sample_files。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-14 22:47:17 +08:00
OwnerSunshine530 8855a75cc3 fix: 缓存直接写+fsync，去掉会误删的写后校验 
Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-14 22:32:59 +08:00
OwnerSunshine530 e7b542a389 fix: 缓存原子写+fsync+校验，diag 先打印再缓存（防卡住看不到诊断） 
Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-14 22:07:48 +08:00
OwnerSunshine530 8328327497 fix: bench 缓存改用 pickle（torch.load 在 overlay fs 报 Errno 38） 
Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-14 21:47:21 +08:00
OwnerSunshine530 4257df795f feat: bench.py 加 --diag 诊断模式（序列长度分布 + sign-id 超界比例） 
Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-14 21:38:50 +08:00
OwnerSunshine530 c0c23ad224 fix: bench.py 只保留测试用户数据(流式过滤+磁盘缓存)，解决 OOM 与 16min 重载 
不同用户被因果mask隔离，过滤非测试用户对测试样本AUC/PCOC零影响。
流式加载只持有测试用户记录，避免 CTRTestSeqDataset 构造期 OOM；
过滤结果缓存到 bench_filtered_cache.pt，后续秒级复用。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-14 21:12:15 +08:00
OwnerSunshine530 8c1d1cbaa5 feat: bench.py 加命令行参数，支持子进程方式跑（绕开内核torch限制） 
Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-14 19:53:21 +08:00
OwnerSunshine530 ab9c624167 fix: bench.py 在 import torch 前补上 baseline 的 libraries 路径 
Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-14 19:46:21 +08:00
OwnerSunshine530 9d5a5a52f2 feat: infer.py 接入 CONFIG 实验开关 + 新增 bench.py 测量闭环 
- infer.py: 模块级 CONFIG（fp16/keep_fp32_modules/expert_merge/
  merge_threshold/signid_mode/sync_timing），默认值=当前最优行为；
  load_model 按 CONFIG 控制半精度/FP32敏感层/expert合并；
  RepEncoder 支持 clamp/modulo 两种 sign-id 处理；
  新增 _force_fp32_io 钩子让敏感层在FP16模型里以FP32 IO 计算。
- bench.py: 设置 CONFIG → 跑推理 → cuda.synchronize 真实计时 →
  _cal_score 打印 AUC/PCOC/延迟/总分，支持配置/batch扫描。不进提交包。
- EXPERIMENTS.md: 实验记录表。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
 2026-06-14 16:48:38 +08:00