INT4 W4A16¶

vLLM 支持将权重量化为 INT4，以节省内存并加速推理。这种量化方法在减小模型尺寸和保持低 QPS（每秒查询数）工作负载的低延迟方面特别有用。

请访问 Hugging Face collections，查看适用于 vLLM 的量化 INT4 热门 LLM 检查点。

注意

INT4 计算支持计算能力 > 8.0 的 NVIDIA GPU（Ampere、Ada Lovelace、Hopper、Blackwell）。

先决条件¶

要将 INT4 量化与 vLLM 一起使用，您需要安装 llm-compressor 库

pip install llmcompressor

此外，安装 vllm 和 lm-evaluation-harness 用于评估

pip install vllm git+https://github.com/EleutherAI/lm-evaluation-harness.git@206b7722158f58c35b7ffcd53b035fdbdda5126d#egg=lm-eval[api]

量化过程¶

量化过程涉及四个主要步骤

加载模型
准备校准数据
应用量化
在 vLLM 中评估精度

1. 加载模型¶

使用标准的 transformers AutoModel 类加载您的模型和分词器

from transformers import AutoTokenizer, AutoModelForCausalLM

MODEL_ID = "meta-llama/Meta-Llama-3-8B-Instruct"
model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID,
    device_map="auto",
    dtype="auto",
)
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)

2. 准备校准数据¶

在将权重量化为 INT4 时，您需要样本数据来估计权重更新和校准后的尺度。最好使用与您的部署数据非常匹配的校准数据。对于通用指令微调模型，您可以使用类似 ultrachat 的数据集。

代码

from datasets import load_dataset

NUM_CALIBRATION_SAMPLES = 512
MAX_SEQUENCE_LENGTH = 2048

# Load and preprocess the dataset
ds = load_dataset("HuggingFaceH4/ultrachat_200k", split="train_sft")
ds = ds.shuffle(seed=42).select(range(NUM_CALIBRATION_SAMPLES))

def preprocess(example):
    return {"text": tokenizer.apply_chat_template(example["messages"], tokenize=False)}
ds = ds.map(preprocess)

def tokenize(sample):
    return tokenizer(sample["text"], padding=False, max_length=MAX_SEQUENCE_LENGTH, truncation=True, add_special_tokens=False)
ds = ds.map(tokenize, remove_columns=ds.column_names)

3. 应用量化¶

现在，应用量化算法。

代码

from llmcompressor import oneshot
from llmcompressor.modifiers.quantization import GPTQModifier
from llmcompressor.modifiers.smoothquant import SmoothQuantModifier

# Configure the quantization algorithms
recipe = GPTQModifier(targets="Linear", scheme="W4A16", ignore=["lm_head"])

# Apply quantization
oneshot(
    model=model,
    dataset=ds,
    recipe=recipe,
    max_seq_length=MAX_SEQUENCE_LENGTH,
    num_calibration_samples=NUM_CALIBRATION_SAMPLES,
)

# Save the compressed model: Meta-Llama-3-8B-Instruct-W4A16-G128
SAVE_DIR = MODEL_ID.split("/")[1] + "-W4A16-G128"
model.save_pretrained(SAVE_DIR, save_compressed=True)
tokenizer.save_pretrained(SAVE_DIR)

此过程将创建一个 W4A16 模型，其中权重被量化为 4 位整数。

4. 评估准确性¶

量化后，您可以在 vLLM 中加载并运行模型。

from vllm import LLM

llm = LLM("./Meta-Llama-3-8B-Instruct-W4A16-G128")

要评估准确性，您可以使用 lm_eval。

lm_eval --model vllm \
  --model_args pretrained="./Meta-Llama-3-8B-Instruct-W4A16-G128",add_bos_token=true \
  --tasks gsm8k \
  --num_fewshot 5 \
  --limit 250 \
  --batch_size 'auto'

注意

量化模型可能对 bos token 的存在敏感。在运行评估时，请确保包含 add_bos_token=True 参数。

最佳实践¶

从 512 个样本的校准数据开始，如果准确性下降则增加。
确保校准数据包含高度多样化的样本，以防止过度拟合到特定用例。
使用 2048 的序列长度作为起点。
使用模型训练时使用的聊天模板或指令模板。
如果您对模型进行了微调，请考虑使用训练数据的样本进行校准。
调整量化算法的关键超参数。
- dampening_frac 设置 GPTQ 算法的影响程度。较低的值可以提高准确性，但可能导致数值不稳定性，使算法失败。
- actorder 设置激活顺序。在压缩层权重时，通道量化的顺序很重要。将 actorder 设置为 "weight" 可以在不增加延迟的情况下提高准确性。

以下是一个可根据您自身用例进行调整的量化配方示例。

代码

from compressed_tensors.quantization import (
    QuantizationArgs,
    QuantizationScheme,
    QuantizationStrategy,
    QuantizationType,
) 
recipe = GPTQModifier(
    targets="Linear",
    config_groups={
        "config_group": QuantizationScheme(
            targets=["Linear"],
            weights=QuantizationArgs(
                num_bits=4,
                type=QuantizationType.INT,
                strategy=QuantizationStrategy.GROUP,
                group_size=128,
                symmetric=True,
                dynamic=False,
                actorder="weight",
            ),
        ),
    },
    ignore=["lm_head"],
    update_size=NUM_CALIBRATION_SAMPLES,
    dampening_frac=0.01,
)

故障排除和支持¶

如果您遇到任何问题或有功能请求，请在 vllm-project/llm-compressor GitHub 存储库中提出 issue。完整的 INT4 量化示例在 llm-compressor 中，可在此处找到：此处。