英特尔仅权重量化
使用 Intel Extension for Transformers 管道对 Huggingface 模型进行仅权重量化
Hugging Face 模型可以通过 WeightOnlyQuantPipeline 类在本地运行，并进行仅权重量化。
该 Hugging Face 模型中心 托管了超过 12 万个模型、2 万个数据集和 5 万个演示应用程序（Spaces），所有这些都是开源的，并且可以在线平台上公开提供，人们可以轻松协作并共同构建机器学习。
这些可以通过这个本地管道包装器类从 LangChain 调用。
要使用它，您应该安装 transformers Python 包，以及 pytorch、intel-extension-for-transformers。
%pip install transformers --quiet
%pip install intel-extension-for-transformers
模型加载
可以通过使用 from_model_id 方法指定模型参数来加载模型。模型参数包括 intel_extension_for_transformers 中的 WeightOnlyQuantConfig 类。
from intel_extension_for_transformers.transformers import WeightOnlyQuantConfig
from langchain_community.llms.weight_only_quantization import WeightOnlyQuantPipeline
conf = WeightOnlyQuantConfig(weight_dtype="nf4")
hf = WeightOnlyQuantPipeline.from_model_id(
model_id="google/flan-t5-large",
task="text2text-generation",
quantization_config=conf,
pipeline_kwargs={"max_new_tokens": 10},
)
还可以通过直接传入现有 transformers 管道来加载模型。
from intel_extension_for_transformers.transformers import AutoModelForSeq2SeqLM
from transformers import AutoTokenizer, pipeline
model_id = "google/flan-t5-large"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSeq2SeqLM.from_pretrained(model_id)
pipe = pipeline(
"text2text-generation", model=model, tokenizer=tokenizer, max_new_tokens=10
)
hf = WeightOnlyQuantPipeline(pipeline=pipe)
创建链
将模型加载到内存后，您可以使用提示将其与链组合在一起。
from langchain_core.prompts import PromptTemplate
template = """Question: {question}
Answer: Let's think step by step."""
prompt = PromptTemplate.from_template(template)
chain = prompt | hf
question = "What is electroencephalography?"
print(chain.invoke({"question": question}))
CPU 推理
现在 intel-extension-for-transformers 只支持 CPU 设备推理。将很快支持英特尔 GPU。在 CPU 上运行时，您可以指定 device="cpu" 或 device=-1 参数将模型放在 CPU 设备上。默认情况下为 -1，用于 CPU 推理。
conf = WeightOnlyQuantConfig(weight_dtype="nf4")
llm = WeightOnlyQuantPipeline.from_model_id(
model_id="google/flan-t5-large",
task="text2text-generation",
quantization_config=conf,
pipeline_kwargs={"max_new_tokens": 10},
)
template = """Question: {question}
Answer: Let's think step by step."""
prompt = PromptTemplate.from_template(template)
chain = prompt | llm
question = "What is electroencephalography?"
print(chain.invoke({"question": question}))
批量 CPU 推理
您也可以以批处理模式在 CPU 上运行推理。
conf = WeightOnlyQuantConfig(weight_dtype="nf4")
llm = WeightOnlyQuantPipeline.from_model_id(
model_id="google/flan-t5-large",
task="text2text-generation",
quantization_config=conf,
pipeline_kwargs={"max_new_tokens": 10},
)
chain = prompt | llm.bind(stop=["\n\n"])
questions = []
for i in range(4):
questions.append({"question": f"What is the number {i} in french?"})
answers = chain.batch(questions)
for answer in answers:
print(answer)
Intel-extension-for-transformers 支持的数据类型
我们支持将权重量化为以下数据类型以进行存储（WeightOnlyQuantConfig 中的 weight_dtype）
- int8：使用 8 位数据类型。
- int4_fullrange：与正常的 int4 范围 [-7,7] 相比，使用 int4 范围的 -8 值。
- int4_clip：剪切并保留 int4 范围内的值，将其他值设置为零。
- nf4：使用归一化浮点 4 位数据类型。
- fp4_e2m1：使用常规浮点 4 位数据类型。“e2”表示 2 位用于指数，“m1”表示 1 位用于尾数。
虽然这些技术将权重存储在 4 位或 8 位中，但计算仍然在 float32、bfloat16 或 int8（WeightOnlyQuantConfig 中的 compute_dtype）中进行。
- fp32：使用 float32 数据类型进行计算。
- bf16：使用 bfloat16 数据类型进行计算。
- int8：使用 8 位数据类型进行计算。
支持的算法矩阵
intel-extension-for-transformers 中支持的量化算法（WeightOnlyQuantConfig 中的算法）
| 算法 | PyTorch | LLM 运行时 |
|---|---|---|
| RTN | ✔ | ✔ |
| AWQ | ✔ | 敬请期待 |
| TEQ | ✔ | 敬请期待 |
RTN：一种我们可以直观理解的量化方法。它不需要额外的 dataset，是一种非常快速的量化方法。一般来说，RTN 会将权重转换为均匀分布的整数数据类型，但一些算法，如 Qlora，提出了非均匀的 NF4 数据类型，并证明了其理论最优性。
AWQ：证明了仅保护 1% 的显著权重就可以大大减少量化误差。显著权重通道是通过观察每个通道的激活和权重的分布来选择的。显著权重在量化之前也乘以一个大的比例因子以进行量化，以进行保存。
TEQ：一种可训练的等效变换，它在仅权重量化中保留 FP32 精度。它受 AWQ 的启发，同时提供了一种新的解决方案来搜索激活和权重之间最佳的每个通道缩放因子。