Intel Weight-Only 量化

使用 Intel Transformer 扩展管道对 Huggingface 模型进行仅权重量化

Hugging Face 模型可以通过 `WeightOnlyQuantPipeline` 类在本地进行仅权重量化运行。

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（Spaces），所有这些都是开源且公开可用的，人们可以在这个在线平台上轻松协作并共同构建机器学习。

可以通过此本地管道包装类从 LangChain 调用这些模型。

要使用，您应该安装 `transformers` Python 包，以及 pytorch 和 intel-extension-for-transformers。

%pip install transformers --quiet
%pip install intel-extension-for-transformers

模型加载

可以通过 `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},
)

API 参考:WeightOnlyQuantPipeline

它们也可以通过直接传入现有 `transformers` 管道来加载

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，您可以将其与提示组合以形成链。

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}))

API 参考：PromptTemplate

CPU 推理

目前 intel-extension-for-transformers 仅支持 CPU 设备推理。很快将支持英特尔 GPU。当在带有 CPU 的机器上运行时，您可以指定 `device="cpu"` 或 `device=-1` 参数将模型放置在 CPU 设备上。默认为 `-1` 进行 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

您也可以在 CPU 上以批量模式运行推理。

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进行存储（WeightOnlyQuantConfig 中的 weight_dtype）：

• int8: 使用 8 位数据类型。
• int4_fullrange: 使用 int4 范围的 -8 值，相比普通 int4 范围 [-7,7]。
• int4_clip: 裁剪并保留 int4 范围内的值，将其他值设为零。
• 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。

尽管这些技术将权重存储为 4 位或 8 位，但计算仍然以 float32、bfloat16 或 int8 进行（WeightOnlyQuantConfig 中的 compute_dtype）

• 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 algorithm）

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。它不需要额外的数据集，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，但某些算法，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分布来选择的。显著权重在量化之前还会乘以一个较大的缩放因子进行量化以进行保留。

TEQ: 一种可训练的等效变换，可在仅权重量化中保持 FP32 精度。它受 AWQ 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每个通道的最佳缩放因子。

相关

• LLM 概念指南
• LLM 操作指南