mirror of
https://github.com/ggerganov/llama.cpp.git
synced 2025-01-03 17:51:09 +01:00
llama : more robust cell_max heuristic + wip shift
This commit is contained in:
parent
4d76d762ef
commit
f015b26689
@ -977,6 +977,8 @@ int main(int argc, char ** argv) {
|
||||
|
||||
test t(inst, lmodel, ctx);
|
||||
|
||||
llama_kv_cache_keep_seq(ctx, -1);
|
||||
|
||||
// warmup run
|
||||
if (t.n_prompt > 0) {
|
||||
test_prompt(ctx, std::min(2, t.n_batch), 0, t.n_batch, t.n_threads);
|
||||
@ -986,6 +988,8 @@ int main(int argc, char ** argv) {
|
||||
}
|
||||
|
||||
for (int i = 0; i < params.reps; i++) {
|
||||
llama_kv_cache_keep_seq(ctx, -1);
|
||||
|
||||
uint64_t t_start = get_time_ns();
|
||||
if (t.n_prompt > 0) {
|
||||
test_prompt(ctx, t.n_prompt, 0, t.n_batch, t.n_threads);
|
||||
|
81
llama.cpp
81
llama.cpp
@ -1023,9 +1023,6 @@ struct llama_kv_cache {
|
||||
uint32_t head = 0;
|
||||
uint32_t size = 0;
|
||||
|
||||
// largest index of an occupied cell (used for a basic optimization heuristic)
|
||||
uint32_t cell_max = 0;
|
||||
|
||||
std::vector<llama_kv_cell> cells;
|
||||
|
||||
struct ggml_tensor * k = NULL;
|
||||
@ -1229,8 +1226,6 @@ static bool llama_kv_cache_init(
|
||||
cache.head = 0;
|
||||
cache.size = n_ctx;
|
||||
|
||||
cache.cell_max = 0;
|
||||
|
||||
cache.cells.clear();
|
||||
cache.cells.resize(n_ctx);
|
||||
|
||||
@ -1316,15 +1311,16 @@ static bool llama_kv_cache_find_slot(
|
||||
return true;
|
||||
}
|
||||
|
||||
void llama_kv_cache_update(struct llama_kv_cache & cache) {
|
||||
// compute new cell_max
|
||||
cache.cell_max = 0;
|
||||
int32_t llama_kv_cache_cell_max(const struct llama_kv_cache & cache) {
|
||||
int32_t res = 0;
|
||||
|
||||
for (uint32_t i = 0; i < cache.size; i++) {
|
||||
if (cache.cells[i].pos >= 0) {
|
||||
cache.cell_max = i + 1;
|
||||
if (cache.cells[i].pos >= 0 && !cache.cells[i].seq_id.empty()) {
|
||||
res = i + 1;
|
||||
}
|
||||
}
|
||||
|
||||
return res;
|
||||
}
|
||||
|
||||
void llama_kv_cache_rm_tokens(struct llama_kv_cache & cache, int32_t c0, int32_t c1) {
|
||||
@ -1335,8 +1331,6 @@ void llama_kv_cache_rm_tokens(struct llama_kv_cache & cache, int32_t c0, int32_t
|
||||
cache.cells[i].pos = -1;
|
||||
cache.cells[i].seq_id.clear();
|
||||
}
|
||||
|
||||
llama_kv_cache_update(cache);
|
||||
}
|
||||
|
||||
void llama_kv_cache_rm_seq(struct llama_kv_cache & cache, llama_seq_id seq_id) {
|
||||
@ -1348,8 +1342,6 @@ void llama_kv_cache_rm_seq(struct llama_kv_cache & cache, llama_seq_id seq_id) {
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
llama_kv_cache_update(cache);
|
||||
}
|
||||
|
||||
void llama_kv_cache_keep_seq(struct llama_kv_cache & cache, llama_seq_id seq_id) {
|
||||
@ -1359,8 +1351,22 @@ void llama_kv_cache_keep_seq(struct llama_kv_cache & cache, llama_seq_id seq_id)
|
||||
cache.cells[i].seq_id.clear();
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
llama_kv_cache_update(cache);
|
||||
void llama_kv_cache_shift(
|
||||
struct llama_context & ctx,
|
||||
llama_seq_id seq_id,
|
||||
llama_pos p0,
|
||||
llama_pos p1,
|
||||
llama_pos delta) {
|
||||
auto & hparams = ctx.model.hparams;
|
||||
auto & cache = ctx.kv_self;
|
||||
|
||||
for (uint32_t i = 0; i < cache.size; ++i) {
|
||||
if (cache.cells[i].has_seq_id(seq_id) && cache.cells[i].pos >= p0 && cache.cells[i].pos < p1) {
|
||||
cache.cells[i].pos += delta;
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
//
|
||||
@ -2587,7 +2593,7 @@ static struct ggml_cgraph * llm_build_llama(
|
||||
const int n_gpu_layers = model.n_gpu_layers;
|
||||
|
||||
const int32_t n_tokens = batch.n_tokens;
|
||||
const int32_t n_kv = kv_self.cell_max + n_tokens;
|
||||
const int32_t n_kv = llama_kv_cache_cell_max(kv_self);
|
||||
|
||||
auto & buf_compute = lctx.buf_compute;
|
||||
|
||||
@ -2678,13 +2684,6 @@ static struct ggml_cgraph * llm_build_llama(
|
||||
data[h*(n_kv*n_tokens) + j*n_kv + i] = -INFINITY;
|
||||
}
|
||||
}
|
||||
|
||||
// TODO: temporary heuristic verification - if this fails then there is a bug with cell_max computation
|
||||
for (int i = n_kv; i < n_ctx; ++i) {
|
||||
if (kv_self.cells[i].has_seq_id(seq_id) && kv_self.cells[i].pos >= 0) {
|
||||
GGML_ASSERT(false && "cell_max is too small - this might indicate a bug");
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
@ -2952,7 +2951,7 @@ static struct ggml_cgraph * llm_build_baichaun(
|
||||
const int n_gpu_layers = model.n_gpu_layers;
|
||||
|
||||
const int32_t n_tokens = batch.n_tokens;
|
||||
const int32_t n_kv = kv_self.cell_max + n_tokens;
|
||||
const int32_t n_kv = llama_kv_cache_cell_max(kv_self);
|
||||
|
||||
auto & buf_compute = lctx.buf_compute;
|
||||
|
||||
@ -3043,13 +3042,6 @@ static struct ggml_cgraph * llm_build_baichaun(
|
||||
data[h*(n_kv*n_tokens) + j*n_kv + i] = -INFINITY;
|
||||
}
|
||||
}
|
||||
|
||||
// TODO: temporary heuristic verification - if this fails then there is a bug with cell_max computation
|
||||
for (int i = n_kv; i < n_ctx; ++i) {
|
||||
if (kv_self.cells[i].has_seq_id(seq_id) && kv_self.cells[i].pos >= 0) {
|
||||
GGML_ASSERT(false && "cell_max is too small - this might indicate a bug");
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
@ -3334,7 +3326,7 @@ static struct ggml_cgraph * llm_build_falcon(
|
||||
const int n_gpu_layers = model.n_gpu_layers;
|
||||
|
||||
const int32_t n_tokens = batch.n_tokens;
|
||||
const int32_t n_kv = kv_self.cell_max + n_tokens;
|
||||
const int32_t n_kv = llama_kv_cache_cell_max(kv_self);
|
||||
|
||||
auto & buf_compute = lctx.buf_compute;
|
||||
|
||||
@ -3425,13 +3417,6 @@ static struct ggml_cgraph * llm_build_falcon(
|
||||
data[h*(n_kv*n_tokens) + j*n_kv + i] = -INFINITY;
|
||||
}
|
||||
}
|
||||
|
||||
// TODO: temporary heuristic verification - if this fails then there is a bug with cell_max computation
|
||||
for (int i = n_kv; i < n_ctx; ++i) {
|
||||
if (kv_self.cells[i].has_seq_id(seq_id) && kv_self.cells[i].pos >= 0) {
|
||||
GGML_ASSERT(false && "cell_max is too small - this might indicate a bug");
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
@ -3671,7 +3656,7 @@ static struct ggml_cgraph * llm_build_starcoder(
|
||||
const float norm_eps = hparams.f_norm_eps;
|
||||
|
||||
const int32_t n_tokens = batch.n_tokens;
|
||||
const int32_t n_kv = kv_self.cell_max + n_tokens;
|
||||
const int32_t n_kv = llama_kv_cache_cell_max(kv_self);
|
||||
|
||||
auto & buf_compute = lctx.buf_compute;
|
||||
|
||||
@ -3754,13 +3739,6 @@ static struct ggml_cgraph * llm_build_starcoder(
|
||||
data[h*(n_kv*n_tokens) + j*n_kv + i] = -INFINITY;
|
||||
}
|
||||
}
|
||||
|
||||
// TODO: temporary heuristic verification - if this fails then there is a bug with cell_max computation
|
||||
for (int i = n_kv; i < n_ctx; ++i) {
|
||||
if (kv_self.cells[i].has_seq_id(seq_id) && kv_self.cells[i].pos >= 0) {
|
||||
GGML_ASSERT(false && "cell_max is too small - this might indicate a bug");
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
@ -4055,8 +4033,7 @@ static bool llama_eval_internal(
|
||||
#endif
|
||||
|
||||
// update the kv ring buffer
|
||||
lctx.kv_self.head += n_tokens;
|
||||
lctx.kv_self.cell_max = std::max(lctx.kv_self.cell_max, lctx.kv_self.head);
|
||||
lctx.kv_self.head += n_tokens;
|
||||
|
||||
#ifdef GGML_PERF
|
||||
// print timing information per ggml operation (for debugging purposes)
|
||||
@ -6834,6 +6811,10 @@ void llama_kv_cache_keep_seq(struct llama_context * ctx, llama_seq_id seq_id) {
|
||||
llama_kv_cache_keep_seq(ctx->kv_self, seq_id);
|
||||
}
|
||||
|
||||
void llama_kv_cache_shift(struct llama_context * ctx, llama_seq_id seq_id, llama_pos p0, llama_pos p1, llama_pos delta) {
|
||||
llama_kv_cache_shift(*ctx, seq_id, p0, p1, delta);
|
||||
}
|
||||
|
||||
// Returns the *maximum* size of the state
|
||||
size_t llama_get_state_size(const struct llama_context * ctx) {
|
||||
// we don't know size of rng until we actually serialize it. so reserve more than enough memory for its serialized state.
|
||||
@ -7130,8 +7111,6 @@ size_t llama_set_state_data(struct llama_context * ctx, uint8_t * src) {
|
||||
|
||||
ctx->kv_self.head = kv_ntok;
|
||||
ctx->kv_self.size = kv_size;
|
||||
|
||||
ctx->kv_self.cell_max = kv_ntok;
|
||||
}
|
||||
|
||||
const size_t nread = inp - src;
|
||||
|
6
llama.h
6
llama.h
@ -321,7 +321,7 @@ extern "C" {
|
||||
LLAMA_API DEPRECATED(int llama_get_kv_cache_token_count(const struct llama_context * ctx),
|
||||
"avoid using this, it will be removed in the future, instead - count the tokens in user code");
|
||||
|
||||
// Remove all tokens between cells [c0, c1)
|
||||
// Remove all tokens data of cells in [c0, c1)
|
||||
LLAMA_API void llama_kv_cache_rm_tokens(struct llama_context * ctx, int32_t c0, int32_t c1);
|
||||
|
||||
// Removes all tokens that belong to the specified sequence
|
||||
@ -330,6 +330,10 @@ extern "C" {
|
||||
// Removes all tokens that do not belong to the specified sequence
|
||||
LLAMA_API void llama_kv_cache_keep_seq(struct llama_context * ctx, llama_seq_id seq_id);
|
||||
|
||||
// Adds relative position "delta" to all tokens that belong to the specified sequence and have positions in [p0, p1)
|
||||
// If the KV cache is RoPEd, the KV data is updated accordingly
|
||||
LLAMA_API void llama_kv_cache_shift(struct llama_context * ctx, llama_seq_id seq_id, llama_pos p0, llama_pos p1, llama_pos delta);
|
||||
|
||||
//
|
||||
// State / sessions
|
||||
//
|
||||
|
Loading…
Reference in New Issue
Block a user