大模型量化

前提条件

• 仅支持在以下产品中使用。
  • Atlas 推理系列产品。
    

    Atlas 推理系列产品不支持BF16模型。

  • Atlas 训练系列产品。
  • Atlas A2训练系列产品/Atlas 800I A2推理产品。
• 已参考环境准备，完成CANN开发环境的部署、以及PyTorch 2.1.0及以上版本的框架和npu插件、Python环境变量配置。
• 大模型量化工具须执行命令安装如下依赖。

  如下命令如果使用非root用户安装，需要在安装命令后加上--user，例如：pip3 install onnx --user。

  pip3 install numpy==1.25.2
  pip3 install transformers        #需大于等于4.29.1版本，LLaMA模型需指定安装4.29.1版本
  pip3 install accelerate==0.21.0  #若需要使用NPU多卡并行方式对模型进行量化，需大于等于0.28.0版本
  pip3 install tqdm==4.66.1

功能实现流程

图1 量化接口调用流程

关键步骤说明如下：

1. 用户准备原始模型和校准数据。
2. 可选：使用离群值抑制功能对LLM模型进行离群值抑制，可参考精度保持策略选择是否启用。
   1. 使用AntiOutlierConfig生成离群值抑制配置。
   2. 调用AntiOutlier接口，将模型、校准数据等传入，生成抑制器。
   3. 调用抑制器的process()方法对原始模型进行离群值抑制。
3. 使用QuantConfig生成量化配置。
4. 根据原始模型、量化配置和校准数据，调用Calibrator接口构建量化校准对象。
5. 调用生成的量化校准对象的run()方法对原始模型进行量化。
6. 调用生成的量化校准对象的save()接口保存量化后的模型，包括模型量化权重和模型相关参数，用于后续量化模型的部署任务，具体请参见MindIE的“加速库支持模型列表”章节中已适配量化的模型。

量化步骤（以ChatGLM2-6B为例）

1. 用户自行准备模型、权重文件和校准数据，本样例以ChatGLM2-6B为例，点击获取链接自行下载权重文件，并上传至服务器文件夹内，如上传至“chatglm2”文件夹，目录示例如下：

   ├── config.json
   ├── configuration chatglm.py
   ├── modeling_chatglm.py
   ├── pytorch_model-00001-of-00007.bin
   ├── pytorch_model-00002-of-00007.bin
   ├── pytorch_model-00003-of-00007.bin
   ├── pytorch_model-00004-of-00007.bin
   ├── pytorch_model-00005-of-00007.bin
   ├── pytorch_model-00006-of-00007.bin
   ├── pytorch_model-00007-of-00007.bin
   ├── pytorch_model.bin.index.json
   ├── quantization.py
   ├── README.md
   ├── tokenization_chatglm.py
   ├── tokenizer.model
   ├── tokenizer_config.json

   

   大模型量化工具建议在大模型下游任务评估流程打通的前提下使用，请自行调试源码后进行如下量化配置。

2. ChatGLM2-6B模型进行量化前请执行如下命令安装所需依赖，若运行量化工具过程中提示缺失某个依赖，请根据提示安装。

   pip3 install protobuf==4.24.1
   pip3 install sentencepiece==0.1.99
   pip3 install sympy==1.11.1

3. 新建模型的量化脚本quant.py，编辑quant.py文件，根据实际的量化场景导入样例代码，参考加粗字体信息提示，并根据实际情况进行修改。
   

   推荐大模型量化时在npu上执行。

   • W8A8 per_channel量化场景导入的样例代码如下，kvcache、lowbit算法以及per_token算法量化场景导入的代码样例请参考w8a8量化场景。

     # 导入相关依赖
     import torch 
     import torch_npu   # 若需要cpu上进行量化，可忽略此步骤
     from transformers import AutoTokenizer, AutoModel
     
     # for local path
     tokenizer = AutoTokenizer.from_pretrained(pretrained_model_name_or_path='./chatglm2', trust_remote_code=True)
     model = AutoModel.from_pretrained(
         pretrained_model_name_or_path='./chatglm2',
         trust_remote_code=True,
       ).npu()    # 若在npu上进行多卡量化时，需要先参考前提条件进行配置，并配置device_map='auto',创建model时需去掉.npu()；若在cpu上进行量化时，需要配置torch_dtype=torch.float32，创建model时需去掉.npu()
     # 准备校准数据，请根据实际情况修改
     calib_list = ["中国的首都在哪里？",
                   "请做一首诗歌：",
                   "我想要学习python，该怎么学习？",
                   "请帮我写一篇关于大模型推理优化的任职报告：",
                   "中国最值得去的几个景点"]
     #获取校准数据函数定义
     def get_calib_dataset(tokenizer, calib_list):
         calib_dataset = []
         for calib_data in calib_list:
             inputs = tokenizer([calib_data], return_tensors='pt').to(model.device)   
             print(inputs)
             calib_dataset.append([inputs.data['input_ids'], inputs.data['attention_mask']])     
             return calib_dataset
     
     dataset_calib = get_calib_dataset(tokenizer, calib_list)  #校准数据获取
     
     # 量化配置，请根据实际情况修改
     from msmodelslim.pytorch.llm_ptq.llm_ptq_tools import Calibrator, QuantConfig    # 导入量化配置接口
     # 使用QuantConfig接口，配置量化参数，并返回量化配置实例
     quant_config = QuantConfig(
         a_bit=8, 
         w_bit=8,       
         disable_names=['transformer.encoder.layers.0.self_attention.query_key_value','transformer.encoder.layers.0.self_attention.dense', 'transformer.encoder.layers.0.mlp.dense_h_to_4h'], 
         dev_id=model.device.index， 
         dev_type='npu',   # 在cpu进行量化时，需配置参数dev_type='cpu'，并取消dev_id=model.device.index参数的配置
         act_method=3,
         pr=0.5, 
         mm_tensor=False
       )  
     #使用Calibrator接口，输入加载的原模型、量化配置和校准数据，定义校准
     calibrator = Calibrator(model, quant_config, calib_data=dataset_calib, disable_level='L0')  
     calibrator.run()     #使用run()执行量化
     calibrator.save('./quant_weight', save_type=[ 'numpy', 'safe_tensor'])      #使用save()保存模型量化参数，请根据实际情况修改路径
     print('Save quant weight success!')

   • W8A16或W4A16 per_channel场景导入的样例代码如下，MinMax算法、HQQ算法、GPTQ算法、AWQ算法以及w4a16 per-group量化场景导入的代码样例请参考w8a16或w4a16量化场景。

     # 导入相关依赖
     import torch
     import torch_npu   # 若需要cpu上进行量化，可忽略此步骤
     from transformers import AutoTokenizer, AutoModel
     
     # for local path
     tokenizer = AutoTokenizer.from_pretrained(pretrained_model_name_or_path='./chatglm2', trust_remote_code=True) 
     model = AutoModel.from_pretrained(
         pretrained_model_name_or_path='./chatglm2',
         trust_remote_code=True,
         ).npu()    # 若在npu上进行多卡量化时，需要先参考前提条件进行配置，并配置device_map='auto'，创建model时需去掉.npu()；若在cpu上进行量化时，需要配置torch_dtype=torch.float32，创建model时需去掉.npu()
     # 准备校准数据，请根据实际情况修改，W8A16 Label-Free模式下请忽略此步骤
     calib_list = ["中国的首都在哪里？",
                   "请做一首诗歌：",
                   "我想要学习python，该怎么学习？",
                   "请帮我写一篇关于大模型推理优化的任职报告：",
                   "中国最值得去的几个景点"]
     #获取校准数据函数定义
     def get_calib_dataset(tokenizer, calib_list):
         calib_dataset = []
         for calib_data in calib_list:
             inputs = tokenizer([calib_data], return_tensors='pt').to(model.device)
             print(inputs)
             calib_dataset.append([inputs.data['input_ids'], inputs.data['attention_mask']])
         return calib_dataset
     
     dataset_calib = get_calib_dataset(tokenizer, calib_list)  #校准数据获取
     
     # 量化配置，请根据实际情况修改
     from msmodelslim.pytorch.llm_ptq.llm_ptq_tools import Calibrator, QuantConfig    # 导入量化配置接口
     # 使用QuantConfig接口，配置量化参数，并返回量化配置实例
     quant_config = QuantConfig(
         w_bit=8,     # W4A16场景下，w_bit值需配置为4。在W4A16的per_group场景下，需参考W4A16的per_group量化场景参数进行设置。
         a_bit=16,         
         disable_names=[], 
         dev_id=model.device.index， 
         dev_type='npu',   # 在cpu进行量化时，需配置参数dev_type='cpu'，并取消参数dev_id=model.device.index的配置
         w_sym=False, 
         mm_tensor=False
       )  
     #使用Calibrator接口，输入加载的原模型、量化配置和校准数据，定义校准
     calibrator = Calibrator(model, quant_config, calib_data=dataset_calib, disable_level='L0')  calibrator.run()     #使用run()执行量化
     calibrator.save('./quant_weight', save_type=[ 'numpy', 'safe_tensor'])      #使用save()保存模型量化参数，请根据实际情况修改路径
     print('Save quant weight success!')

   

   因为在存储量化参数过程中存在反序列化风险，所以已通过在存储过程中，将保存的量化结果文件夹权限设置为750，量化权重文件权限设置为400，量化权重描述文件设为600来消减风险。

4. 启动模型量化任务，并在指定的输出目录获取模型量化参数，量化后权重文件的介绍请参见量化后权重文件，若使用MindIE进行后续的推理部署任务，请保存为safetensors格式，具体请参见MindIE的“加速库支持模型列表”章节中已适配量化的模型。

   python3 quant.py

   量化任务完成后，可能会存在模型精度下降的情况，可以参考精度保持策略进行配置优化减少精度损耗。

量化后权重文件

• npy格式
  当save_type设置为['numpy']或不设置时，量化权重会保存为npy文件，npy储存格式为字典，其中key值为各层Linear的名字，例如ChatGLM2-6B模型的transformer.encoder.layers.0.self_attention.query_key_value，value值为第0层query_key_value的Linear权重。

  ├── anti_fp_norm.npy   #LLaMA模型且已启用离群抑制功能，具体操作请参见使用离群值抑制功能，将会生成此文件。antioutlier算法生成浮点权重中的norm层权重文件，用于量化层的input和post norm的权重适配
  ├── deq_scale.npy      #W8A8反量化参数权重文件，Tensor数据类型为int64，deq_scale已针对反量化算子进行数据类型转换，可直接适配算子。在量化BF16模型情况下，数据类型不会转换为int64，仍然为float32
  ├── fp_bias.npy        #原始浮点模型linear层的bias权重文件，Tensor数据类型为float32
  ├── input_offset.npy   #激活值量化偏移值权重文件，Tensor数据类型为float32
  ├── input_scale.npy    #激活值量化缩放因子权重文件，Tensor数据类型为float32
  ├── kv_cache_offset.npy    #kv linear激活值量化偏移值权重文件，Tensor数据类型为float32
  ├── kv_cache_scale.npy   #kv linear激活值量化缩放因子权重文件，Tensor数据类型为float32
  ├── quant_bias.npy     #W8A8反量化参数权重文件，Tensor数据类型为int32，quant_bias已考虑原始浮点模型linear层的bias值
  ├── quant_weight.npy   #量化权重文件，Tensor数据类型为int8
  ├── weight_offset.npy  #权重量化参数文件，Tensor数据类型为float32
  ├── weight_scale.npy   #权重量化参数文件，Tensor数据类型为float32

  推理部署时读取上述文件的示例代码：quant_param_dict = np.load("xxx.npy", allow_pickle=True).item()。

精度保持策略

在量化权重生成后，可以使用伪量化模型进行推理，检验伪量化精度是否正常。伪量化是指通过torch，通过浮点运算完成量化模型运算逻辑，运算过程中的数据和真实量化的数据差异只在算子精度上。如果伪量化精度不满足预期，真实量化结果也将无法满足预期。在调用Calibrator.run()方法后，构建Calibrator时传入的model会被替换为伪量化模型，可以直接调用进行前向推理，用来测试对话效果。如果伪量化结果不理想，可以参考以下手段进行调优：

1. 调整校准数据集：量化模型权重生成对校准数据集有一定依赖，需要根据模型运行场景选取适当的校准数据集。在伪量化精度较差时，可以适当增加校准数据集的数量。
2. 设置Calibrator接口中的“disable_level”参数：配置Calibrator接口中的自动回退等级，可以设置为L0、L1，L2等，依次回退的线性层个数为0、1、2等，在模型精度损失较大时可以适当提升回退等级。

   以ChatGLM2-6B为例：

   观察到模型伪量化对话效果不理想，考虑进行回退操作。将disable_level设置为L1，生成量化权重。导出的量化权重缺少了key值'transformer.encoder.layers.0.mlp.dense_4h_to_h'对应的权重数据，则该线性层被回退。

   如果需要回退整层layer，需要进一步生成量化权重。缺少的linear位于第0层，在QuantConfig接口中的“disable_names”增加该层其余的线性层：'transformer.encoder.layers.0.self_attention.query_key_value','transformer.encoder.layers.0.self_attention.dense', 'transformer.encoder.layers.0.mlp.dense_h_to_4h'。再次生成的量化权重即为整层layer回退的量化权重。

   

   不同模型的回退层存在差别，甚至校准数据集选取的不同也会导致回退层位置发生变化。在回退个数少的时候，回退指定层数为N后，会自动再回退最后一个线性层，总回退数是N+1；回退个数设置较大时，这个最后一个线性层会包含在在N层里面，所以总共就回退了N层。因为不同模型对最后的分类层的敏感度不同，回退个数的多少的界限也不同。

3. 引入离群值抑制AntiOutlier：在模型加载和模型量化之间插入离群值抑制代码，对模型进行离群值抑制，并调用PyTorch接口model.save_pretrained，保存离群值抑制后的浮点模型。

   以Llama13B为例：

   # 离群值抑制
   print("outlier suppression start...")
   anti_config = AntiOutlierConfig(
       anti_method="m2",
       dev_type='cpu'   # 在npu进行量化时，则需要配置以下参数dev_type='npu'，dev_id=model.device.index。其中dev_id为正确设备号
   )
   anti_outlier = AntiOutlier(model, calib_data=dataset_calib, cfg=anti_config)
   anti_outlier.process()
   print("outlier suppression success...")
   # save float weight
   model.save_pretrained("./llama2-13b_outlier")

4. 配置QuantConfig接口中的“pr”：当pr设置为0.5时，导出的量化权重在一定范围内存在随机性，设置为1.0时可以避免随机性。