模型量化

bitsandbytes 集成

Accelerate 将 bitsandbytes 量化引入到你的模型中。现在，你可以用几行代码将任何 PyTorch 模型加载为 8 位或 4 位。

如果你希望使用 bitsandbytes 与 Transformers 模型，你应该参考此 文档。

要了解 bitsandbytes 量化的工作原理，可以查看关于 8 位量化 和 4 位量化 的博客文章。

先决条件

你需要安装以下依赖：

• 安装 bitsandbytes 库

pip install bitsandbytes

• 从源代码安装最新版 accelerate

pip install git+https://github.com/huggingface/accelerate.git

• 安装 minGPT 和 huggingface_hub 以运行示例

git clone https://github.com/karpathy/minGPT.git
pip install minGPT/
pip install huggingface_hub

工作原理

首先，我们需要初始化模型。为了节省内存，我们可以使用上下文管理器 [init_empty_weights] 来初始化一个空模型。

让我们以 minGPT 库中的 GPT2 模型为例。

from accelerate import init_empty_weights
from mingpt.model import GPT

model_config = GPT.get_default_config()
model_config.model_type = 'gpt2-xl'
model_config.vocab_size = 50257
model_config.block_size = 1024

with init_empty_weights():
    empty_model = GPT(model_config)

然后，我们需要获取模型权重的路径。路径可以是 state_dict 文件（例如 "pytorch_model.bin"）或包含分片检查点的文件夹。

from huggingface_hub import snapshot_download
weights_location = snapshot_download(repo_id="marcsun13/gpt2-xl-linear-sharded")

最后，你需要使用 [~utils.BnbQuantizationConfig] 设置量化配置。

这是一个 8 位量化的示例：

from accelerate.utils import BnbQuantizationConfig
bnb_quantization_config = BnbQuantizationConfig(load_in_8bit=True, llm_int8_threshold = 6)

这是一个 4 位量化（4-bit quantization）的例子：

from accelerate.utils import BnbQuantizationConfig
bnb_quantization_config = BnbQuantizationConfig(load_in_4bit=True, bnb_4bit_compute_dtype=torch.bfloat16, bnb_4bit_use_double_quant=True, bnb_4bit_quant_type="nf4")

要使用所选配置量化你的空模型，你需要使用 [~utils.load_and_quantize_model]。

from accelerate.utils import load_and_quantize_model
quantized_model = load_and_quantize_model(empty_model, weights_location=weights_location, bnb_quantization_config=bnb_quantization_config, device_map = "auto")

保存和加载 8 位模型

你可以使用 accelerate 中的 [~Accelerator.save_model] 保存你的 8 位模型。

from accelerate import Accelerator
accelerate = Accelerator()
new_weights_location = "path/to/save_directory"
accelerate.save_model(quantized_model, new_weights_location)

quantized_model_from_saved = load_and_quantize_model(empty_model, weights_location=new_weights_location, bnb_quantization_config=bnb_quantization_config, device_map = "auto")

请注意，4 位模型序列化目前不受支持。

将模块卸载到 CPU 和磁盘

如果你的 GPU 没有足够的空间来存储整个模型，可以将一些模块卸载到 CPU 或磁盘。 这在底层使用了大模型推理。更多详细信息请参阅此文档。

对于 8 位量化，选定的模块将被转换为 8 位精度。

对于 4 位量化，选定的模块将保持在用户在 BnbQuantizationConfig 中传递的 torch_dtype 中。我们将在 4 位序列化成为可能时添加支持，以将这些卸载的模块转换为 4 位。

你只需要传递一个自定义的 device_map 以将模块卸载到 CPU 或磁盘。当需要时，卸载的模块将被调度到 GPU。以下是一个示例：

device_map = {
    "transformer.wte": 0,
    "transformer.wpe": 0,
    "transformer.drop": 0,
    "transformer.h": "cpu",
    "transformer.ln_f": "disk",
    "lm_head": "disk",
}

微调量化模型

无法对这些模型进行纯8位或4位训练。但是，你可以通过利用参数高效的微调方法（PEFT）来训练这些模型，例如在它们之上训练适配器。请参阅 peft 库以获取更多详细信息。

目前，你不能在任何量化模型上添加适配器。但是，随着适配器对 Transformers 模型的官方支持，你可以微调量化模型。如果你想要微调一个 Transformers 模型，请参阅此 文档。查看此 演示，了解如何微调一个4位的 Transformers 模型。

请注意，在加载模型进行训练时，你不需要传递 device_map。它会自动将模型加载到你的 GPU 上。请注意，device_map=auto 仅应用于推理。

示例演示 - 在 Google Colab 上运行 GPT2 1.5B

查看此 Google Colab 演示，了解如何在 GPT2 模型上运行量化模型。GPT2-1.5B 模型检查点为 FP32，占用 6GB 内存。量化后，使用 8 位模块占用 1.6GB，使用 4 位模块占用 1.2GB。