FP8 W8A8

FP8 W8A8#

vLLM 支持在 Nvidia H100 和 AMD MI300x 等 GPU 上使用硬件加速进行 FP8（8 位浮点）权重和激活量化。目前，仅 Hopper 和 Ada Lovelace GPU 正式支持 W8A8。利用 Marlin 内核，Ampere GPU 支持 W8A16（仅权重 FP8）。使用 FP8 对模型进行量化可以减少 2 倍的模型内存需求，并在对准确性影响最小的情况下将吞吐量提高至多 1.6 倍。

请访问 HF 集合中的 适用于 vLLM 的流行 LLM 的量化 FP8 检查点。

硬件中通常支持的FP8类型有两种不同的表示形式，每种在不同场景下都有其用途：

  • E4M3: 由1个符号位、4个指数位和3个尾数位组成。它可以存储高达 +/-448 和 nan 的值。

  • E5M2: 由1个符号位、5个指数位和2个尾数位组成。它可以存储高达 +/-57344、+/- inf 和 nan 的值。增加动态范围的代价是存储值的精度降低。

备注

FP8 计算在计算能力 > 8.9 的 NVIDIA GPU（Ada Lovelace、Hopper）上受支持。FP8 模型将在计算能力 > 8.0（Ampere）上作为仅权重 W8A16 运行，利用 FP8 Marlin。

在线动态量化快速入门#

将原始精度为 BF16/FP16 的模型动态量化为 FP8 可以通过 vLLM 实现，无需任何校准数据。您可以通过在命令行中指定 --quantization="fp8" 或在 LLM 构造函数中设置 quantization="fp8" 来启用该功能。

在这种模式下，所有 Linear 模块（除了最后的 lm_head）的权重都被量化为 FP8_E4M3 精度，并使用每个张量的比例。激活值在每次前向传递期间计算其最小值和最大值，以提供高精度的动态每个张量比例。因此，这种模式下的延迟改进有限。

from vllm import LLM
model = LLM("facebook/opt-125m", quantization="fp8")
# INFO 06-10 17:55:42 model_runner.py:157] Loading model weights took 0.1550 GB
result = model.generate("Hello, my name is")

警告

目前，我们在量化到8位之前以原始精度加载模型，因此您需要足够的内存来加载整个模型。

安装#

要使用 vLLM 生成高性能的 FP8 量化模型，您需要安装 llm-compressor 库：

$ pip install llmcompressor==0.1.0

量化过程#

量化过程涉及三个主要步骤：

  1. 加载模型

  2. 应用量化

  3. 在 vLLM 中评估准确性

1. 加载模型#

使用 SparseAutoModelForCausalLM，它封装了 AutoModelForCausalLM，用于保存和加载量化模型：

from llmcompressor.transformers import SparseAutoModelForCausalLM
from transformers import AutoTokenizer

MODEL_ID = "meta-llama/Meta-Llama-3-8B-Instruct"

model = SparseAutoModelForCausalLM.from_pretrained(
  MODEL_ID, device_map="auto", torch_dtype="auto")
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)

2. 应用量化#

对于FP8量化，我们可以通过简单的RTN量化恢复精度。我们建议使用 FP8_DYNAMIC 方案来针对所有 Linear 层，该方案使用：

  • 静态，按通道的权重量化

  • 动态的、按token的激活量化

由于简单的 RTN 不需要数据来进行权重量化，并且激活值是动态量化的，因此我们不需要为此量化流程准备任何校准数据。

from llmcompressor.transformers import oneshot
from llmcompressor.modifiers.quantization import QuantizationModifier

# Configure the simple PTQ quantization
recipe = QuantizationModifier(
  targets="Linear", scheme="FP8_DYNAMIC", ignore=["lm_head"])

# Apply the quantization algorithm.
oneshot(model=model, recipe=recipe)

# Save the model.
SAVE_DIR = MODEL_ID.split("/")[1] + "-FP8-Dynamic"
model.save_pretrained(SAVE_DIR)
tokenizer.save_pretrained(SAVE_DIR)

3. 评估准确性#

安装 vllm 和 lm-evaluation-harness:

$ pip install vllm lm-eval==0.4.4

在 vllm 中加载并运行模型：

from vllm import LLM
model = LLM("./Meta-Llama-3-8B-Instruct-FP8-Dynamic")
model.generate("Hello my name is")

使用 lm_eval 评估准确性（例如在 gsm8k 的 250 个样本上）：

备注

量化模型可能对 bos 标记的存在敏感。 lm_eval 默认不添加 bos 标记，因此在运行评估时请确保包含 add_bos_token=True 参数。

$ MODEL=$PWD/Meta-Llama-3-8B-Instruct-FP8-Dynamic
$ lm_eval \
  --model vllm \
  --model_args pretrained=$MODEL,add_bos_token=True \
  --tasks gsm8k  --num_fewshot 5 --batch_size auto --limit 250

以下是结果分数的一个示例：

|Tasks|Version|     Filter     |n-shot|  Metric   |   |Value|   |Stderr|
|-----|------:|----------------|-----:|-----------|---|----:|---|-----:|
|gsm8k|      3|flexible-extract|     5|exact_match|↑  |0.768|±  |0.0268|
|     |       |strict-match    |     5|exact_match|↑  |0.768|±  |0.0268|

故障排除和支持#

如果你遇到任何问题或有功能请求，请在 vllm-project/llm-compressor GitHub 仓库中提交问题。

弃用流程#

备注

以下信息保留供参考和搜索使用。下面描述的量化方法已被弃用，取而代之的是上述描述的 llmcompressor 方法。

对于静态的每张量离线量化到FP8，请安装 AutoFP8库。

git clone https://github.com/neuralmagic/AutoFP8.git
pip install -e AutoFP8

此包引入了 AutoFP8ForCausalLM 和 BaseQuantizeConfig 对象，用于管理模型的压缩方式。

使用静态激活缩放因子的离线量化#

你可以使用带有校准数据的AutoFP8，通过启用``activation_scheme=”static”``参数，为权重和激活生成每个张量的静态比例。

from datasets import load_dataset
from transformers import AutoTokenizer
from auto_fp8 import AutoFP8ForCausalLM, BaseQuantizeConfig

pretrained_model_dir = "meta-llama/Meta-Llama-3-8B-Instruct"
quantized_model_dir = "Meta-Llama-3-8B-Instruct-FP8"

tokenizer = AutoTokenizer.from_pretrained(pretrained_model_dir, use_fast=True)
tokenizer.pad_token = tokenizer.eos_token

# Load and tokenize 512 dataset samples for calibration of activation scales
ds = load_dataset("mgoin/ultrachat_2k", split="train_sft").select(range(512))
examples = [tokenizer.apply_chat_template(batch["messages"], tokenize=False) for batch in ds]
examples = tokenizer(examples, padding=True, truncation=True, return_tensors="pt").to("cuda")

# Define quantization config with static activation scales
quantize_config = BaseQuantizeConfig(quant_method="fp8", activation_scheme="static")

# Load the model, quantize, and save checkpoint
model = AutoFP8ForCausalLM.from_pretrained(pretrained_model_dir, quantize_config)
model.quantize(examples)
model.save_quantized(quantized_model_dir)

你的模型检查点，包含量化后的权重和激活值，应该可以在 Meta-Llama-3-8B-Instruct-FP8/ 找到。最后，你可以直接在 vLLM 中加载量化的模型检查点。

from vllm import LLM
model = LLM(model="Meta-Llama-3-8B-Instruct-FP8/")
# INFO 06-10 21:15:41 model_runner.py:159] Loading model weights took 8.4596 GB
result = model.generate("Hello, my name is")