INT4 W4A16¶

vLLM 支援將權重量化為 INT4，以節省記憶體並加速推理。這種量化方法在減小模型尺寸和保持低 QPS（每秒查詢數）工作負載的低延遲方面特別有用。

請訪問 Hugging Face collections，檢視適用於 vLLM 的量化 INT4 熱門 LLM 檢查點。

注意

INT4 計算支援計算能力 > 8.0 的 NVIDIA GPU（Ampere、Ada Lovelace、Hopper、Blackwell）。

先決條件¶

要將 INT4 量化與 vLLM 一起使用，您需要安裝 llm-compressor 庫

pip install llmcompressor

此外，安裝 vllm 和 lm-evaluation-harness 用於評估

pip install vllm git+https://github.com/EleutherAI/lm-evaluation-harness.git@206b7722158f58c35b7ffcd53b035fdbdda5126d#egg=lm-eval[api]

量化過程¶

量化過程涉及四個主要步驟

載入模型
準備校準資料
應用量化
在 vLLM 中評估精度

1. 載入模型¶

使用標準的 transformers AutoModel 類載入您的模型和分詞器

from transformers import AutoTokenizer, AutoModelForCausalLM

MODEL_ID = "meta-llama/Meta-Llama-3-8B-Instruct"
model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID,
    device_map="auto",
    dtype="auto",
)
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)

2. 準備校準資料¶

在將權重量化為 INT4 時，您需要樣本資料來估計權重更新和校準後的尺度。最好使用與您的部署資料非常匹配的校準資料。對於通用指令微調模型，您可以使用類似 ultrachat 的資料集。

程式碼

from datasets import load_dataset

NUM_CALIBRATION_SAMPLES = 512
MAX_SEQUENCE_LENGTH = 2048

# Load and preprocess the dataset
ds = load_dataset("HuggingFaceH4/ultrachat_200k", split="train_sft")
ds = ds.shuffle(seed=42).select(range(NUM_CALIBRATION_SAMPLES))

def preprocess(example):
    return {"text": tokenizer.apply_chat_template(example["messages"], tokenize=False)}
ds = ds.map(preprocess)

def tokenize(sample):
    return tokenizer(sample["text"], padding=False, max_length=MAX_SEQUENCE_LENGTH, truncation=True, add_special_tokens=False)
ds = ds.map(tokenize, remove_columns=ds.column_names)

3. 應用量化¶

現在，應用量化演算法。

程式碼

from llmcompressor import oneshot
from llmcompressor.modifiers.quantization import GPTQModifier
from llmcompressor.modifiers.smoothquant import SmoothQuantModifier

# Configure the quantization algorithms
recipe = GPTQModifier(targets="Linear", scheme="W4A16", ignore=["lm_head"])

# Apply quantization
oneshot(
    model=model,
    dataset=ds,
    recipe=recipe,
    max_seq_length=MAX_SEQUENCE_LENGTH,
    num_calibration_samples=NUM_CALIBRATION_SAMPLES,
)

# Save the compressed model: Meta-Llama-3-8B-Instruct-W4A16-G128
SAVE_DIR = MODEL_ID.split("/")[1] + "-W4A16-G128"
model.save_pretrained(SAVE_DIR, save_compressed=True)
tokenizer.save_pretrained(SAVE_DIR)

此過程將建立一個 W4A16 模型，其中權重被量化為 4 位整數。

4. 評估準確性¶

量化後，您可以在 vLLM 中載入並執行模型。

from vllm import LLM

llm = LLM("./Meta-Llama-3-8B-Instruct-W4A16-G128")

要評估準確性，您可以使用 lm_eval。

lm_eval --model vllm \
  --model_args pretrained="./Meta-Llama-3-8B-Instruct-W4A16-G128",add_bos_token=true \
  --tasks gsm8k \
  --num_fewshot 5 \
  --limit 250 \
  --batch_size 'auto'

注意

量化模型可能對 bos token 的存在敏感。在執行評估時，請確保包含 add_bos_token=True 引數。

最佳實踐¶

從 512 個樣本的校準資料開始，如果準確性下降則增加。
確保校準資料包含高度多樣化的樣本，以防止過度擬合到特定用例。
使用 2048 的序列長度作為起點。
使用模型訓練時使用的聊天模板或指令模板。
如果您對模型進行了微調，請考慮使用訓練資料的樣本進行校準。
調整量化演算法的關鍵超引數。
- dampening_frac 設定 GPTQ 演算法的影響程度。較低的值可以提高準確性，但可能導致數值不穩定性，使演算法失敗。
- actorder 設定啟用順序。在壓縮層權重時，通道量化的順序很重要。將 actorder 設定為 "weight" 可以在不增加延遲的情況下提高準確性。

以下是一個可根據您自身用例進行調整的量化配方示例。

程式碼

from compressed_tensors.quantization import (
    QuantizationArgs,
    QuantizationScheme,
    QuantizationStrategy,
    QuantizationType,
) 
recipe = GPTQModifier(
    targets="Linear",
    config_groups={
        "config_group": QuantizationScheme(
            targets=["Linear"],
            weights=QuantizationArgs(
                num_bits=4,
                type=QuantizationType.INT,
                strategy=QuantizationStrategy.GROUP,
                group_size=128,
                symmetric=True,
                dynamic=False,
                actorder="weight",
            ),
        ),
    },
    ignore=["lm_head"],
    update_size=NUM_CALIBRATION_SAMPLES,
    dampening_frac=0.01,
)

故障排除和支援¶

如果您遇到任何問題或有功能請求，請在 vllm-project/llm-compressor GitHub 儲存庫中提出 issue。完整的 INT4 量化示例在 llm-compressor 中，可在此處找到：此處。