EfficientQAT

EfficientQAT

高效量化训练技术助力大型语言模型压缩

EfficientQAT是一种针对大型语言模型的量化训练技术。该技术采用两阶段训练方法,包括分块训练所有参数和端到端训练量化参数,在压缩模型大小的同时保持性能。EfficientQAT支持GPTQ和BitBLAS等多种量化格式,已成功应用于Llama和Mistral等模型系列,有效降低模型存储需求,为大型语言模型的部署提供了实用方案。

EfficientQAT大语言模型量化训练模型压缩PyTorchGithub开源项目

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

  1. 克隆此仓库并进入EfficientQAT文件夹
git clone https://github.com/OpenGVLab/EfficientQAT.git
cd EfficientQAT
  1. 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。

  1. 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_lr2e-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
  1. 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_rate2e-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

  1. 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
  1. 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:

  1. 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。
  1. 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
  1. 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}
}

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多