大模型量化

大模型量化工具将高位浮点数转为低位的定点数，例如16bit降低到8bit，直接减少模型权重的体积，生成量化参数和权重文件。在无需训练成本的前提下，完成大模型的训练后压缩并最大程度保障其精度。

目前支持对包括但不限于表1中的大模型进行量化。

表1 大模型量化已验证模型列表
模型名称	框架
ChatGLM_V2-6B	PyTorch
LLaMA-13B	PyTorch

前提条件

仅支持在以下昇腾AI处理器中使用。
- Atlas 推理系列产品。
- Atlas 训练系列产品。
- Atlas A2训练系列产品。
已参考环境准备，完成CANN开发环境的部署、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 torch==2.0.0       #安装CPU版本的PyTorch 2.0.0（不依赖torch_npu）
pip3 install accelerate==0.21.0
pip3 install tqdm==4.66.1

功能实现流程

图1 量化接口调用流程
点击放大

关键步骤说明如下：

用户准备原始模型和校准数据。
使用离群值抑制功能对LLM模型进行离群值抑制。非LLaMA可跳过此步骤，直接执行步骤3。
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。
使用QuantConfig生成量化配置。
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。
调用生成的量化校准对象的run()方法对原始模型进行量化。
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。

更多量化实例请参考“${INSTALL_DIR}/tools/modelslim/pytorch/llm_ptq/README.md”获取，${INSTALL_DIR}请替换为CANN软件安装后文件存储路径。例如，若安装的Ascend-cann-toolkit软件包，则安装后文件存储路径为：$HOME/Ascend/ascend-toolkit/latest。

量化步骤（以ChatGLM2-6B为例）

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

需注意，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。

ChatGLM_V2-6B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
```

新建模型的量化脚本quant.py，编辑quant.py文件，导入如下样例代码，并根据实际情况进行修改。

# 导入相关依赖
import torch
import torch.utils.data
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',
                                  torch_dtype=torch.float32, trust_remote_code=True).cpu()

# 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('cpu')
        print(inputs)
        calib_dataset.append([inputs.data['input_ids'], inputs.data['position_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 modelslim.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, 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_type='cpu', act_method=3, pr=0.5, mm_tensor=False, w_hessian=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='L1')
calibrator.run()     #使用run()执行量化
calibrator.save('./quant_weight')      #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!')

需注意，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，量化结果文件权限设置为400来消减风险。

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，用于后续的推理部署任务。
```
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。

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：

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。
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。

注意：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。
引入离群值抑制AntiOutlier：建议LLaMA系列模型采用此策略。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。
注意离群值抑制功能代码只适配了LLaMA模型的modeling_llama.py，其他LLaMA系列的模型在使用时，需要在modeling_xxx.py脚本内将第一个RmsNorm的名字修改为LlamaRMSNorm。另外如果模型结构特殊可能导致工具识图失败，此时需要针对特殊结构进行修改。

以Llama13B为例：
```
# 离群值抑制
print("outlier suppression start...")
anti_config = AntiOutlierConfig(anti_method="m2")
anti_outlier = AntiOutlier(model, calib_data=dataset_calib, cfg=anti_config, model_type="Llama")
anti_outlier.process()
print("outlier suppression success...")
# save float weight
model.save_pretrained("./llama2-13b_outlier")
```
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。

父主题： 大模型压缩