INT8 W8A8

INT8 W8A8#

vLLM 支持将权重和激活量化为 INT8 以节省内存并加速推理。这种量化方法在保持良好性能的同时，特别有助于减小模型大小。

请访问 HF 收集的 适用于 vLLM 的流行 LLM 的量化 INT8 检查点。

备注

INT8 计算在计算能力 > 7.5 的 NVIDIA GPU（Turing、Ampere、Ada Lovelace、Hopper）上受支持。

先决条件#

要在 vLLM 中使用 INT8 量化，您需要安装 llm-compressor 库：

$ pip install llmcompressor==0.1.0

量化过程#

量化过程涉及四个主要步骤：

  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 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. 准备校准数据#

在将激活量化为 INT8 时，您需要样本数据来估计激活比例。最好使用与部署数据高度匹配的校准数据。对于一个通用的指令微调模型，您可以使用像 ultrachat 这样的数据集：

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：

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

# Configure the quantization algorithms
recipe = [
    SmoothQuantModifier(smoothing_strength=0.8),
    GPTQModifier(targets="Linear", scheme="W8A8", 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
SAVE_DIR = MODEL_ID.split("/")[1] + "-W8A8-Dynamic-Per-Token"
model.save_pretrained(SAVE_DIR, save_compressed=True)
tokenizer.save_pretrained(SAVE_DIR)

此过程创建一个 W8A8 模型，其中权重和激活量化为 8 位整数。

4. 评估准确性#

量化之后，你可以在 vLLM 中加载并运行模型：

from vllm import LLM
model = LLM("./Meta-Llama-3-8B-Instruct-W8A8-Dynamic-Per-Token")

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-W8A8-Dynamic-Per-Token",add_bos_token=true \
  --tasks gsm8k \
  --num_fewshot 5 \
  --limit 250 \
  --batch_size 'auto'

备注

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

最佳实践#

  • 从512个样本开始进行校准数据（如果精度下降则增加样本数）

  • 使用2048的序列长度作为起点

  • 使用模型训练时所用的聊天模板或指令模板

  • 如果你已经微调了一个模型，考虑使用一部分训练数据进行校准

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。