INT8 W8A8¶

vLLM 支援將權重和啟用量化為 INT8，以節省記憶體並加速推理。這種量化方法對於在保持良好效能的同時減小模型大小特別有用。

請訪問 HF 集合，獲取流行的 INT8 量化 LLM 檢查點，可直接與 vLLM 配合使用。

注意

計算能力 > 7.5 的 NVIDIA GPU（Turing、Ampere、Ada Lovelace、Hopper、Blackwell）支援 INT8 計算。

先決條件¶

要將 INT8 量化與 vLLM 配合使用，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 lm-eval==0.4.4

量化過程¶

量化過程包括四個主要步驟：

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

2. 準備校準資料¶

將啟用量化為 INT8 時，您需要樣本資料來估計啟用尺度。最好使用與您的部署資料密切匹配的校準資料。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 = [
    SmoothQuantModifier(smoothing_strength=0.8),
    GPTQModifier(targets="Linear", scheme="W8A8", 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-W8A8-Dynamic-Per-Token
SAVE_DIR = MODEL_ID.split("/")[1] + "-W8A8-Dynamic-Per-Token"
model.save_pretrained(SAVE_DIR, save_compressed=True)
tokenizer.save_pretrained(SAVE_DIR)

此過程會建立一個 W8A8 模型，其權重和啟用已量化為 8 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-W8A8-Dynamic-Per-Token")

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-W8A8-Dynamic-Per-Token",add_bos_token=true \
  --tasks gsm8k \
  --num_fewshot 5 \
  --limit 250 \
  --batch_size 'auto'

注意

量化模型可能對 bos 標記的存在敏感。在執行評估時，請務必包含 add_bos_token=True 引數。

最佳實踐¶

從 512 個樣本開始進行校準資料（如果準確性下降，則增加樣本數）
以 2048 的序列長度作為起點
採用模型訓練時使用的聊天模板或指令模板
如果您已對模型進行微調，請考慮使用您的訓練資料樣本進行校準

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 倉庫中提出問題。