`int4` 重量量化

llm-compressor 支持将权重量化为 int4，以节省内存并加速 vLLM 的推理。

int4 混合精度计算支持计算能力 > 8.0 的 Nvidia GPU（Ampere、Ada Lovelace、Hopper）。

安装

首先，安装

git clone https://github.com/vllm-project/llm-compressor.git
cd llm-compressor
pip install -e .

快速入门

该示例包含一个用于应用量化算法的端到端脚本。

python3 llama3_example.py

生成的模型 Meta-Llama-3-8B-Instruct-W4A16-G128 已准备好加载到 vLLM 中。

代码演练

现在，我们将逐步介绍示例中的代码。共四个步骤：1) 加载模型 2) 准备校准数据 3) 应用量化 4) 在 vLLM 中评估准确性

1) 加载模型

使用 AutoModelForCausalLM 加载模型，以处理量化保存和加载。

from transformers import AutoTokenizer, AutoModelForCausalLM

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

2) 准备校准数据

准备校准数据。在使用 GPTQ 将模型的权重量化为 int4 时，我们需要一些样本数据来运行 GPTQ 算法。因此，使用与部署中使用的类型非常相似的校准数据非常有益。如果您已经对模型进行了微调，使用训练数据的一个样本是个好主意。

在本例中，我们正在量化一个指令微调的通用模型，因此我们将使用 ultrachat 数据集。一些最佳实践包括：* 512 个样本是一个不错的起点（如果准确性下降则增加）* 2048 个序列长度是一个不错的起点* 使用模型训练时使用的聊天模板或指令模板

from datasets import load_dataset

NUM_CALIBRATION_SAMPLES=512
MAX_SEQUENCE_LENGTH=2048

# Load dataset.
ds = load_dataset("HuggingFaceH4/ultrachat_200k", split=f"train_sft[:{NUM_CALIBRATION_SAMPLES}]")
ds = ds.shuffle(seed=42)

# Preprocess the data into the format the model is trained with.
def preprocess(example):
    return {"text": tokenizer.apply_chat_template(example["messages"], tokenize=False,)}
ds = ds.map(preprocess)

# Tokenize the data (be careful with bos tokens - we need add_special_tokens=False since the chat_template already added it).
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

数据集准备好后，我们现在将应用量化。

我们首先选择量化算法。

在本例中，我们将对所有线性层应用 int4 的默认 GPTQ 方案（使用静态分组大小 128 的尺度）。

有关创建复杂方案的更多信息，请参阅 Recipes 文档。

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

# Configure the quantization algorithm to run.
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 to disk compressed.
SAVE_DIR = MODEL_ID.rstrip("/").split("/")[-1] + "-W4A16-G128"
model.save_pretrained(SAVE_DIR, save_compressed=True)
tokenizer.save_pretrained(SAVE_DIR)

我们已成功创建了 int4 模型！

4) 评估准确性

模型创建后，我们现在可以在 vLLM 中加载和运行（安装后）。

from vllm import LLM
model = LLM("./Meta-Llama-3-8B-Instruct-W4A16-G128")

我们可以使用 lm_eval（pip install lm_eval==v0.4.3）来评估准确性。

注意：量化模型可能对 bos 令牌的存在敏感。lm_eval 默认不添加 bos 令牌，因此请确保在运行评估时包含 add_bos_token=True 参数。

运行以下命令以测试 GSM-8K 上的准确性

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'

我们可以看到结果分数看起来不错！

|Tasks|Version|     Filter     |n-shot|  Metric   |   |Value|   |Stderr|
|-----|------:|----------------|-----:|-----------|---|----:|---|-----:|
|gsm8k|      3|flexible-extract|     5|exact_match|↑  |0.728|±  |0.0282|
|     |       |strict-match    |     5|exact_match|↑  |0.720|±  |0.0285|

问题或功能请求？

请在 vllm-project/llm-compressor 上提出问题

int4 重量量化

安装