访问官网
Github
Huggingface
论文EfficientQAT
论文EfficientQAT：大型语言模型的高效量化感知训练的官方PyTorch实现
新闻
- [2024/08] 微软的新推理后端T-MAC已支持EffcientQAT模型。
- [2024/08] 我们支持Mistral-Large-Instruct的量化。使用我们的EfficientQAT的W2g64 Mistral-Large-Instruct可以将123B模型压缩到35 GB，精度仅下降4个点。
- [2024/07] 新功能！我们支持将EfficientQAT量化模型转换为
GPTQ v2格式和BitBLAS格式，可以通过GPTQModel直接加载。 - [2024/07] 我们发布了EfficientQAT，以高效的方式推动了均匀(INT)量化的极限。
目录
安装
- 克隆此仓库并进入EfficientQAT文件夹
git clone https://github.com/OpenGVLab/EfficientQAT.git
cd EfficientQAT
- 安装包
conda create -n efficientqat python==3.11
conda activate efficientqat
pip install -r requirements.txt
模型库
我们提供了一些预量化的EfficientQAT模型，如下所示：
- WikiText2 PPL在2048上下文长度下测量。
- 平均准确率表示5个零样本推理任务(WinoGrande、PIQA、HellaSwag、Arc-Easy、Arc-Challenge)的平均准确率，使用lm-eval v0.4.2。
- 1GB = $10^9$ 比特
- 仓库链接：EQAT表示原始检查点。我们还将检查点转换为GPTQ和BitBLAS格式，可以通过GPTQModel直接加载。（注：GPTQModel是AutoGPTQ的官方修复错误版本，将来会合并到AutoGPTQ中。） | 模型 | 量化 | WikiText2 困惑度 | 平均准确率 | 模型大小 (GB) | Hub 链接 | |-------|------|-----------------|------------|---------------|----------| Llama-2-7B|fp16|5.47|64.86|13.2|-| Llama-2-7B|w4g128|5.53|64.27|3.7|EQAT|GPTQ|BitBLAS| Llama-2-7B|w3g128|5.81|64.02|3.1|EQAT| Llama-2-7B|w2g64|6.86|60.14|2.3|EQAT|GPTQ|BitBLAS| Llama-2-7B|w2g128|7.17|59.50|2.2|EQAT|GPTQ|BitBLAS| Llama-2-13B|fp16|4.88|67.81|25.4|-| Llama-2-13B|w4g128|4.93|67.52|6.8|EQAT|GPTQ|BitBLAS| Llama-2-13B|w3g128|5.12|67.28|5.6|EQAT| Llama-2-13B|w2g64|5.96|64.88|4.0|EQAT|GPTQ|BitBLAS| Llama-2-13B|w2g128|6.08|63.88|3.8|EQAT|GPTQ|BitBLAS| Llama-2-70B|fp16|3.32|72.41|131.6|-| Llama-2-70B|w4g128|3.39|72.62|35.8|EQAT|GPTQ|BitBLAS| Llama-2-70B|w3g128|3.61|71.76|29.1|EQAT| Llama-2-70B|w2g64|4.52|69.48|20.1|EQAT|GPTQ|BitBLAS| Llama-2-70B|w2g128|4.61|68.93|18.9|EQAT|GPTQ|BitBLAS| Llama-3-8B|fp16|6.14|68.58|13.0|-| Llama-3-8B|w4g128|6.47|68.43|5.4|EQAT|GPTQ|BitBLAS| Llama-3-8B|w3g128|7.09|67.35|4.7|EQAT| Llama-3-8B|w2g64|9.41|60.76|3.9|EQAT|GPTQ|BitBLAS| Llama-3-8B|w2g128|9.80|59.36|3.8|EQAT|GPTQ|BitBLAS| Llama-3-70B|fp16|2.85|75.33|137.8|-| Llama-3-70B|w4g128|3.17|74.57|38.9|EQAT|GPTQ|BitBLAS| Llama-3-70B|w3g128|4.19|72.42|32.2|EQAT| Llama-3-70B|w2g64|6.08|67.89|23.2|EQAT|GPTQ| Llama-3-70B|w2g128|6.38|67.57|22.0|EQAT|GPTQ|BitBLAS| Llama-3-8B-Instruct|fp16|8.29|68.43|13.0|-| Llama-3-8B-Instruct|w4g128|7.93|68.39|5.4|EQAT|GPTQ|BitBLAS| Llama-3-8B-Instruct|w3g128|8.55|67.24|4.7|EQAT| Llama-3-8B-Instruct|w2g64|11.19|60.66|3.9|EQAT|GPTQ|BitBLAS| Llama-3-8B-Instruct|w2g128|11.73|60.16|3.8|EQAT|GPTQ|BitBLAS| Llama-3-70B-Instruct|fp16|5.33|73.78|137.8|-| Llama-3-70B-Instruct|w4g128|5.35|73.47|38.9|EQAT|GPTQ|BitBLAS| Llama-3-70B-Instruct|w3g128|5.65|72.87|32.2|EQAT| Llama-3-70B-Instruct|w2g64|7.86|67.64|23.2|EQAT|GPTQ|BitBLAS| Llama-3-70B-Instruct|w2g128|8.14|67.54|22.0|EQAT|GPTQ|BitBLAS| Mistral-Large-Instruct-2407|fp16|2.74|77.76|228.5|-| Mistral-Large-Instruct-2407|w2g64|5.58|73.54|35.5|GPTQ
训练
EfficientQAT包含两个连续的训练阶段：所有参数的分块训练（Block-AP）和量化参数的端到端训练（E2E-QP）。详细的训练脚本可以在./examples中找到。以下我们给出Llama-2-7B模型使用w2g64量化的训练脚本示例。
- Block-AP
在运行以下命令之前，你应该在脚本中将--model修改为全精度模型的文件夹。
bash examples/block_ap/Llama-2-7b/w2g64.sh
具体来说，在我们的实验中，2比特量化的--weight_lr为2e-5，3/4比特量化为1e-5。
其他一些重要参数：
--train_size：训练数据样本数量，默认为4096--val_size：验证数据样本数量，默认为64--off_load_to_disk：将训练数据集保存到磁盘，节省CPU内存但可能降低训练速度
- E2E-QP
然后，你可以加载Block-AP的量化模型进行进一步的E2E-QP。具体来说，E2E-QP可以通过更改训练数据集来适应不同场景。在运行以下命令之前，你应该在脚本中将--quant_model_path修改为量化模型的文件夹。
1）在RedPajama上训练
bash examples/e2e_qp/Llama-2-7b/w2g64-redpajama.sh
2）在Alpaca上训练
bash examples/e2e_qp/Llama-2-7b/w2g128-redpajama.sh
具体来说，在我们的实验中，2比特量化的--learning_rate为2e-5，3/4比特量化为1e-5。你可以降低--per_device_train_batch_size以减少训练期间的内存占用，并确保--gradient_accumulation_steps相应增加相同倍数以保持相同的批量大小。
推理
- 从Huggingface下载预量化的EfficientQAT模型
pip install huggingface_hub
huggingface-cli download ChenMnZ/Llama-2-7b-EfficientQAT-w2g64 --local-dir ./output/pre_quantized_models/Llama-2-7b-EfficientQAT-w2g64
- 评估预量化的EfficientQAT模型
CUDA_VISIBLE_DEVICES=0 python main_block_ap.py \
--resume_quant ./output/pre_quantized_models/Llama-2-7b-EfficientQAT-w2g64 \
--net Llama-2 \
--wbits 2 \
--group_size 64 \
--output_dir ./output/inference_results/ \
--eval_ppl \
--eval_tasks piqa,arc_easy,arc_challenge,hellaswag,winogrande
模型转换
首先，你应该安装gptqmodel包以支持GPTQ和BitBLAS量化格式：
git clone https://github.com/ModelCloud/GPTQModel.git && cd GPTQModel
bash install.sh
- 在我们的经验中，我们使用
gptqmodel v0.9.8进行测试。
然后，我们提供以下三种转换方式：
- 将EfficientQAT检查点转换为GPTQ格式
bash examples/model_transfer/efficientqat_to_gptq/llama-2-7b.sh
- 注意：目前AutoGPTQ对非对称量化存在溢出错误。因此，我们选择官方修复版本GPTQModel来转换我们的非对称量化模型。因此，本仓库提供的GPTQ模型只能通过GPTQModel成功加载，而不能通过AutoGPTQ加载。
- 将EfficientQAT检查点转换为BitBLAS格式
bash examples/model_transfer/efficientqat_to_bitblas/llama-2-7b.sh
- 加速存在一些问题，详情请参考此问题。
- 将EfficientQAT检查点中的fp32数据转换为半精度对应项。 一些参数在训练时被保存为fp32，你可以在训练后将它们转换为半精度以进一步减小模型大小。
bash examples/model_transfer/fp32_to_16/llama-2-7b.sh
其他格式的推理
以下是使用GPTQ或BitBLAS量化格式进行推理的示例。
from transformers import AutoTokenizer
from gptqmodel import GPTQModel
quant_dir = "ChenMnZ/Llama-2-7b-EfficientQAT-w2g128-GPTQ"
# quant_dir = "ChenMnZ/Llama-2-7b-EfficientQAT-w2g128-BitBLAS"
# 或本地路径
tokenizer = AutoTokenizer.from_pretrained(quant_dir, use_fast=True)
# 将量化模型加载到第一个GPU
model = GPTQModel.from_quantized(quant_dir)
# 使用model.generate进行推理
print(tokenizer.decode(model.generate(**tokenizer("Model quantization is", return_tensors="pt").to(model.device))[0]))
引用
如果您发现本工作有用，请考虑引用：
@article{efficientqat,
title={EfficientQAT: Efficient Quantization-Aware Training for Large Language Models},
author={Chen, Mengzhao and Shao, Wenqi and Xu, Peng and Wang, Jiahao and Gao, Peng and Zhang, Kaipeng and Qiao, Yu and Luo, Ping},
journal={arXiv preprint arXiv:2407.11062},
year={2024}
}
