量化KV缓存¶
FP8 KV缓存¶
将KV缓存量化为FP8可减少其内存占用。这增加了可存储在缓存中的token数量，从而提高了吞吐量。
FP8 格式¶
OCP (开放计算项目) 指定了两种常见的8位浮点数据格式
- E5M2 (5位指数和2位尾数)
- E4M3FN (4位指数和3位尾数，通常缩写为E4M3)
E4M3格式比E5M2提供更高的精度。然而，由于其动态范围较小(±240.0)，E4M3通常需要与每个量化张量一起使用更高精度(FP32)的缩放因子。
当前限制¶
目前，仅支持逐张量（标量）缩放因子。正在开发中以支持更细粒度（例如，逐通道）的缩放因子。
性能影响¶
当前的FP8 KV缓存实现主要通过允许约两倍的KV缓存分配空间来提高吞吐量。这使得可以：
- 处理单个请求的更长上下文长度，或
- 处理更多并发请求批次
然而，目前没有延迟改进，因为该实现尚未包含融合的反量化和注意力操作。未来的版本将支持带硬件加速的量化注意力，这应该会提供额外的性能优势。尽管最新的芯片产品（例如AMD MI300、NVIDIA Hopper或更高版本）支持FP8与其他格式（fp32、fp16、bf16）之间的本地硬件转换，但此优势尚未完全实现。
研究表明，FP8 E4M3量化通常只会对推理精度造成极小的降级，使其成为吞吐量优化的实用选择。
使用示例¶
以下是如何启用FP8量化的示例
代码
# To calculate kv cache scales on the fly enable the calculate_kv_scales
# parameter
from vllm import LLM, SamplingParams
sampling_params = SamplingParams(temperature=0.7, top_p=0.8)
llm = LLM(model="meta-llama/Llama-2-7b-chat-hf",
kv_cache_dtype="fp8",
calculate_kv_scales=True)
prompt = "London is the capital of"
out = llm.generate(prompt, sampling_params)[0].outputs[0].text
print(out)
kv_cache_dtype 参数指定 KV 缓存存储的数据类型： - "auto"：使用模型的默认“未量化”数据类型 - "fp8" 或 "fp8_e4m3"：在 CUDA 11.8+ 和 ROCm (AMD GPU) 上支持 - "fp8_e5m2"：在 CUDA 11.8+ 上支持
校准标度以获得更高精度¶
为了在使用FP8 KV缓存时获得最佳模型质量，我们建议使用针对代表性推理数据调整的校准标度。LLM Compressor 是完成此过程的推荐工具。
安装¶
首先，安装所需的依赖项
使用示例¶
以下是一个使用 meta-llama/Llama-3.1-8B-Instruct 的完整示例（大多数模型可以使用相同的模式）
代码
from datasets import load_dataset
from transformers import AutoModelForCausalLM, AutoTokenizer
from llmcompressor.transformers import oneshot
# Select model and load it
MODEL_ID = "meta-llama/Llama-3.1-8B-Instruct"
model = AutoModelForCausalLM.from_pretrained(MODEL_ID, device_map="auto", torch_dtype="auto")
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)
# Select calibration dataset
DATASET_ID = "HuggingFaceH4/ultrachat_200k"
DATASET_SPLIT = "train_sft"
# Configure calibration parameters
NUM_CALIBRATION_SAMPLES = 512 # 512 samples is a good starting point
MAX_SEQUENCE_LENGTH = 2048
# Load and preprocess dataset
ds = load_dataset(DATASET_ID, split=DATASET_SPLIT)
ds = ds.shuffle(seed=42).select(range(NUM_CALIBRATION_SAMPLES))
def process_and_tokenize(example):
text = tokenizer.apply_chat_template(example["messages"], tokenize=False)
return tokenizer(
text,
padding=False,
max_length=MAX_SEQUENCE_LENGTH,
truncation=True,
add_special_tokens=False,
)
ds = ds.map(process_and_tokenize, remove_columns=ds.column_names)
# Configure quantization settings
recipe = """
quant_stage:
quant_modifiers:
QuantizationModifier:
kv_cache_scheme:
num_bits: 8
type: float
strategy: tensor
dynamic: false
symmetric: true
"""
# Apply quantization
oneshot(
model=model,
dataset=ds,
recipe=recipe,
max_seq_length=MAX_SEQUENCE_LENGTH,
num_calibration_samples=NUM_CALIBRATION_SAMPLES,
)
# Save quantized model: Llama-3.1-8B-Instruct-FP8-KV
SAVE_DIR = MODEL_ID.split("/")[1] + "-FP8-KV"
model.save_pretrained(SAVE_DIR, save_compressed=True)
tokenizer.save_pretrained(SAVE_DIR)
上述脚本将在您当前目录下创建一个文件夹，其中包含您已量化的模型（例如，Llama-3.1-8B-Instruct-FP8-KV）和校准后的标度。
运行模型时，您必须指定 kv_cache_dtype="fp8" 才能启用 KV 缓存量化并使用这些标度。