INT4 W4A16¶

vLLM 支援將權重量化為 INT4，以節省記憶體並加速推理。這種量化方法對於減小模型大小和在每秒查詢量 (QPS) 較低的工作負載中保持低延遲特別有用。

請訪問 HF 集合，獲取可與 vLLM 一起使用的流行 LLM 的 INT4 量化檢查點。

注意

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

先決條件¶

要在 vLLM 中使用 INT4 量化，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 lm-eval==0.4.4

量化過程¶

量化過程主要包括四個步驟

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", torch_dtype="auto",
)
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)

2. 準備校準資料¶

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的比例。最好使用與您的部署資料緊密匹配的校準資料。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.transformers 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)

此過程建立一個 W4A16 模型，其權重被量化為 4 位整數。

4. 評估精度¶

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")

要評估精度，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 令牌的存在敏感。在執行評估時，請務必包含 add_bos_token=True 引數。

最佳實踐¶

校準資料從 512 個樣本開始，如果精度下降則增加
確保校準資料包含多種多樣的樣本，以防止對特定用例過擬合
使用 2048 作為序列長度的起始點
採用模型訓練時所用的聊天模板或指令模板
如果您已經微調了一個模型，可以考慮使用您的訓練資料樣本進行校準
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。較低的值可以提高精度，但可能導致數值不穩定性，從而導致演算法失敗。
actorder 設定啟用順序。在壓縮層權重的權重時，通道的量化順序很重要。將 actorder="weight" 設定為可以提高精度而不會增加延遲。

以下是一個您可以根據自己的用例進行調整的擴充套件量化方案示例

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 倉庫中提出議題。llm-compressor 中完整的 INT4 量化示例可在此處獲取：here。