英特尔仅权重化
使用英特尔扩展 for Transformers 管道对 Huggingface 模型进行仅权重化
Hugging Face 模型可以通过 WeightOnlyQuantPipeline 类以仅权重化方式在本地运行。
Hugging Face Model Hub 托管超过 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，在一个在线平台上，人们可以轻松地协作并一起构建 ML。
这些可以通过这个本地管道包装类从 LangChain 中调用。
要使用，您应该安装 transformers python 软件包，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},
)
它们也可以通过直接传入现有的 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}))
CPU 推理
现在 intel-extension-for-transformers 仅支持 CPU 设备推理。将很快支持英特尔 GPU。在具有 CPU 的机器上运行时，您可以指定 device="cpu" 或 device=-1 参数将模型置于 CPU 设备上。默认为 -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：与普通的 int4 范围 [-7,7] 相比，使用 int4 范围的 -8 值。
- int4_clip：裁剪并保留 int4 范围内的值，将其他值设置为零。
- nf4：使用归一化的 4 位浮点数据类型。
- fp4_e2m1：使用常规的 4 位浮点数据类型。“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: 一种非常直观的量化方法。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，但一些算法，如 Qlora，提出了一种非均匀的 NF4 数据类型，并证明了其理论上的最优性。
AWQ: 证明了仅保护 1% 的显著权重可以大大减少量化误差。通过观察每个通道的激活和权重的分布来选择显著的权重通道。为了保留显著权重，在量化之前也会乘以一个较大的比例因子。
TEQ: 一种可训练的等效变换，在仅权重量化中保留 FP32 精度。它受到 AWQ 的启发，同时为搜索激活和权重之间每个通道的最佳缩放因子提供了新的解决方案。