Skip to main content
Open In ColabOpen on GitHub

英特尔权重量化技术

使用 Intel Extension for Transformers Pipelines 对 Huggingface 模型进行仅权重量化​

Hugging Face 模型可以通过 WeightOnlyQuantPipeline 类使用仅权重量化在本地运行。

Hugging Face 模型中心 托管了超过 12 万个模型、2 万份数据集和 5 万个演示应用程序（Spaces），所有资源均为开源且公开可用，提供了一个在线平台，人们可以在其中轻松协作并共同构建机器学习项目。

这些可以通过此本地管道包装类从LangChain调用。

要使用，您应该安装了 transformers Python 软件包，以及 pytorch、intel-extension-for-transformers。

%pip install transformers --quiet
%pip install intel-extension-for-transformers

模型加载​

可以通过使用 from_model_id 方法并指定模型参数来加载模型。模型参数包含 intel_extension_for_transformers 中的 WeightOnlyQuantConfig 类。

from intel_extension_for_transformers.transformers import WeightOnlyQuantConfig
from langchain_community.llms.weight_only_quantization import WeightOnlyQuantPipeline

conf = WeightOnlyQuantConfig(weight_dtype="nf4")
hf = WeightOnlyQuantPipeline.from_model_id(
    model_id="google/flan-t5-large",
    task="text2text-generation",
    quantization_config=conf,
    pipeline_kwargs={"max_new_tokens": 10},
)

也可以通过直接传入现有的 transformers 管道来加载

from intel_extension_for_transformers.transformers import AutoModelForSeq2SeqLM
from transformers import AutoTokenizer, pipeline

model_id = "google/flan-t5-large"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSeq2SeqLM.from_pretrained(model_id)
pipe = pipeline(
    "text2text-generation", model=model, tokenizer=tokenizer, max_new_tokens=10
)
hf = WeightOnlyQuantPipeline(pipeline=pipe)

创建链​

将模型加载到内存后，你可以将其与提示组合形成一个链。

from langchain_core.prompts import PromptTemplate

template = """Question: {question}

Answer: Let's think step by step."""
prompt = PromptTemplate.from_template(template)

chain = prompt | hf

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))
API 参考:提示模板

CPU 推理​

目前 intel-extension-for-transformers 仅支持 CPU 设备推理，即将支持 Intel GPU。在配备 CPU 的机器上运行时，可以指定 device="cpu" 或 device=-1 参数将模型放置在 CPU 设备上。 默认为 -1 以进行 CPU 推理。

conf = WeightOnlyQuantConfig(weight_dtype="nf4")
llm = WeightOnlyQuantPipeline.from_model_id(
    model_id="google/flan-t5-large",
    task="text2text-generation",
    quantization_config=conf,
    pipeline_kwargs={"max_new_tokens": 10},
)

template = """Question: {question}

Answer: Let's think step by step."""
prompt = PromptTemplate.from_template(template)

chain = prompt | llm

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))

批量CPU推理​

您还可以在CPU上以批处理模式运行推理。

conf = WeightOnlyQuantConfig(weight_dtype="nf4")
llm = WeightOnlyQuantPipeline.from_model_id(
    model_id="google/flan-t5-large",
    task="text2text-generation",
    quantization_config=conf,
    pipeline_kwargs={"max_new_tokens": 10},
)

chain = prompt | llm.bind(stop=["\n\n"])

questions = []
for i in range(4):
    questions.append({"question": f"What is the number {i} in french?"})

answers = chain.batch(questions)
for answer in answers:
    print(answer)

Intel-extension-for-transformers 支持的数据类型​

我们支持将权重量化为以下数据类型以进行存储（weight_dtype 在 WeightOnlyQuantConfig 中）：

  • int8: 使用 8 位数据类型。
  • int4_fullrange: 使用 int4 范围的 -8 值，与标准 int4 范围 [-7,7] 相比。
  • int4_clip: 将值裁剪并保留在 int4 范围内，其他值设为零。
  • nf4: 使用归一化的浮点 4 位数据类型。
  • fp4_e2m1: 使用常规浮点 4 位数据类型。"e2" 表示指数部分使用 2 位，"m1" 表示尾数部分使用 1 位。

虽然这些技术将权重存储在 4 位或 8 位中，但计算仍然在 float32、bfloat16 或 int8（WeightOnlyQuantConfig 中的 compute_dtype）中进行：

  • fp32: 使用 float32 数据类型进行计算。
  • bf16: 使用 bfloat16 数据类型进行计算。
  • int8: 使用 8 位数据类型进行计算。

支持的算法矩阵​

英特尔扩展库 for-transformers 支持的量化算法（WeightOnlyQuantConfig 中的算法）：

算法PyTorchLLM 运行时
RTN✔✔
AWQ✔stay tuned
TEQ✔stay tuned

RTN： 一种我们可以非常直观理解的量化方法。它不需要额外的数据集，是一种非常快速的量化方法。一般来说，RTN会将权重转换为均匀分布的整数数据类型，但是一些算法（如Qlora）提出了非均匀的NF4数据类型，并证明了其理论上的最优性。

AWQ： 证明了仅保护1%的显著权重即可大幅降低量化误差。显著权重通道是通过观察每个通道的激活值和权重分布来选择的。在量化前，显著权重还会乘以一个较大的缩放因子后再进行量化，以实现保护。

TEQ： 一种可训练的等效变换，可在仅权重量化中保持FP32精度。它受AWQ启发，同时提供了一种新的解决方案，用于搜索激活值与权重之间每通道缩放因子的最优值。