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。
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。
- Atlas 推理系列产品。
- 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
- (可选)如果需要在大模型量化工具中使用NPU多卡并行的方式对模型进行量化,需关闭NPU设备中的虚拟内存,并手动配置量化将会执行的设备序列环境。
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:False # 关闭NPU的虚拟内存 export ASCEND_RT_VISIBLE_DEVICES=0,1,2,3 #配置量化将会执行的设备序列环境
仅Atlas 训练系列产品和Atlas A2训练系列产品/Atlas 800I A2推理产品支持此功能。
功能实现流程
关键步骤说明如下:
- 用户准备原始模型和校准数据。
- 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。
- 使用AntiOutlierConfig生成离群值抑制配置。
- 调用AntiOutlier接口,将模型、校准数据等传入,生成抑制器。
- 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,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)
- 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。
- 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
- 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 per-channel 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w8a16 per-group量化场景导入的代码样例请参考w8a16 per-channel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 Data-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, 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。
- 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。
- 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 #WW8A8量化和稀疏量化的量化参数权重文件,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 ├── input_offset.npy #W8A8量化和稀疏量化的激活值量化偏移值权重文件,Tensor数据类型为float32 ├── input_scale.npy #W8A8量化和稀疏量化的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 cache量化参数文件,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 cache量化参数文件,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 #w8a16权重量化参数文件,Tensor数据类型为float32 ├── weight_scale.npy #w8a16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()。
- safetensors格式
当save_type设置为['safe_tensor']时,量化权重会保存为safetensors文件和json描述文件。
当用户设置的part_file_size值大于0时,会使能PyTorch框架的分片保存功能。msModelSlim工具会统计遍历到的权重文件的大小,若权重文件的大小大于part_file_size值,则将统计到的权重作为一个part,然后重新进行统计。统计完成后,将各个权重分片保存,并生成权重引索文件(xxx.safetensors.index.json)。权重和引索的名称可参照开源模型的权重,例如xxx-0000x-of-0000x.safetensors,当part数大于99999时,权重和引索的名称将会被命名为xxx-x-of-x.safetensors。
- safetensors中储存格式为字典,包含量化权重和量化不修改的浮点权重。其中量化权重的key值为各层Linear的名字加上对应权重的名字,module.weight和module.bias对应anti_fp_norm.npy,weight对应quant_weight.npy,quant_bias对应quant_bias.npy等以此类推。例如ChatGLM2-6B模型的transformer.encoder.layers.0.self_attention.query_key_value.deq_scale对应npy格式权重中deq_scale.npy中的transformer.encoder.layers.0.self_attention.query_key_value。
# llama模型稀疏量化生成的权重文件部分内容 { "model.embed_tokens.weight": tensor([...]), "model.layers.0.self_attn.q_proj.weight": tensor([...]), "model.layers.0.self_attn.q_proj.input_scale": tensor([...]), "model.layers.0.self_attn.q_proj.input_offset": tensor([...]), "model.layers.0.self_attn.q_proj.quant_bias": tensor([...]), "model.layers.0.self_attn.q_proj.deq_scale": tensor([...]), "model.layers.0.self_attn.k_proj.weight": tensor([...]), ... }
- json描述文件中储存的量化权重的总体类型model_quant_type,是否启用kvcache量化kv_cache_type,和其中各个权重的类型,来自原始浮点权重则为FLOAT,来自W8A8量化则为W8A8,来自稀疏量化则为W8A8S,来自压缩则为W8A8SC。
# llama模型稀疏量化生成的json描述文件部分内容 { "model_quant_type": "W8A8S", # 整体量化类型为稀疏量化 "model.embed_tokens.weight": "FLOAT", # 来自原始浮点模型的embed_tokens权重 "model.layers.0.self_attn.q_proj.weight": "W8A8S", # 量化新增的第0层self_attn.q_proj的quant_weight "model.layers.0.self_attn.q_proj.input_scale": "W8A8S", # 量化新增的第0层self_attn.q_proj的input_scale "model.layers.0.self_attn.q_proj.input_offset": "W8A8S", # 量化新增的第0层self_attn.q_proj的input_offset "model.layers.0.self_attn.q_proj.quant_bias": "W8A8S", # 量化新增的第0层self_attn.q_proj的quant_bias "model.layers.0.self_attn.q_proj.deq_scale": "W8A8S", # 量化新增的第0层self_attn.q_proj的deq_scale "model.layers.0.self_attn.k_proj.weight": "W8A8S", # 量化新增的第0层self_attn.k_proj的quant_weight ... }
- safetensors中储存格式为字典,包含量化权重和量化不修改的浮点权重。其中量化权重的key值为各层Linear的名字加上对应权重的名字,module.weight和module.bias对应anti_fp_norm.npy,weight对应quant_weight.npy,quant_bias对应quant_bias.npy等以此类推。例如ChatGLM2-6B模型的transformer.encoder.layers.0.self_attention.query_key_value.deq_scale对应npy格式权重中deq_scale.npy中的transformer.encoder.layers.0.self_attention.query_key_value。
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。
若伪量化精度不满足预期,可先使用精度定位方法进行定位,再参考量化精度提升方法提升精度。
- 精度定位方法
- 将safetensors文件和json描述文件上传至FakeQuantizeCalibrator接口,构建FakeQuantizeCalibrator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,测试对话效果,并调用精度测试接口测试量化后模型权重的精度情况。
支持W8A8(per_channel)、W8A16 per-channel(MinMax、GPTQ、HQQ)场景。
- 调用Calibrator.run(),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。
- 将safetensors文件和json描述文件上传至FakeQuantizeCalibrator接口,构建FakeQuantizeCalibrator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,测试对话效果,并调用精度测试接口测试量化后模型权重的精度情况。
- 量化精度提升方法
- 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。
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: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。
# 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")
- 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。