十億參數(shù)，一鍵瘦身！「模型減重」神器讓大模型狂掉3/4 | 最“in”大模型

十三 2023-08-04 16:14:37 來源：量子位

編者按：

“瘦身”后的大模型，表現(xiàn)依然可以很驚艷。

本文介紹了可提升大語言模型的訓(xùn)練后量化表現(xiàn)的增強型 SmoothQuant 技術(shù)，說明了這項技術(shù)的用法，并證明了其在準(zhǔn)確率方面的優(yōu)勢。此方法已整合至英特爾? Neural Compressor[1] 中。

英特爾? Neural Compressor是一個包含量化、剪枝（稀疏性）、蒸餾（知識提煉）和神經(jīng)架構(gòu)搜索等多種常用模型壓縮技術(shù)的開源 Python 庫。

目前，諸如 TensorFlow、英特爾? Extension for TensorFlow[2]、PyTorch、英特爾? Extension for PyTorch[3]、ONNX Runtime 和 MXNet等主流框架，都能與之兼容。

英特爾? Neural Compressor 已經(jīng)支持多款英特爾? 架構(gòu)的硬件，比如英特爾? 至強? 可擴展處理器[4]、英特爾? 至強? CPU Max 系列[5]、英特爾? 數(shù)據(jù)中心 GPU Flex 系列[6]和英特爾? 數(shù)據(jù)中心 GPU Max 系列[7]。本文涉及的實驗基于第四代英特? 至強? 可擴展處理器[8]進行。

大語言模型

大語言模型 (Large Language Model, LLM) 需基于海量數(shù)據(jù)集進行訓(xùn)練，可能擁有數(shù)十億權(quán)重參數(shù)。

其先進的網(wǎng)絡(luò)結(jié)構(gòu)和龐大的參數(shù)量，使它們能夠很好地應(yīng)對自然語言本身的復(fù)雜性。

完成訓(xùn)練后的大語言模型，可針對各種下游的自然語言處理 (NLP) 和自然語言生成 (NLG) 任務(wù)進行調(diào)優(yōu)，讓其更適合對話式聊天機器人（如 ChatGPT）、機器翻譯、文本分類、欺詐檢測和情感分析等任務(wù)場景。

大語言模型部署面臨的挑戰(zhàn)

大語言模型在執(zhí)行自然語言處理和自然語言生成任務(wù)方面表現(xiàn)出色，但其訓(xùn)練和部署頗為復(fù)雜，主要面臨以下挑戰(zhàn)：

• AI 與內(nèi)存墻瓶頸問題[9]：算力每兩年提高 3.1 倍，內(nèi)存帶寬卻只提高 1.4 倍；
• 網(wǎng)絡(luò)帶寬挑戰(zhàn)：訓(xùn)練大語言模型需要采用分布式系統(tǒng)，這對網(wǎng)絡(luò)帶寬提出了較高要求；
• 系統(tǒng)資源有限：訓(xùn)練后的模型往往會部署在算力和內(nèi)存資源均有限的系統(tǒng)上。

因此，采用訓(xùn)練后量化的方法來為大語言模型瘦身，對于實現(xiàn)低時延推理至關(guān)重要。

大語言模型的量化

量化是一種常見的壓縮操作，可以減少模型占用的內(nèi)存空間，提高推理性能。

采用量化方法可以降低大語言模型部署的難度。具體來說，量化是將浮點矩陣轉(zhuǎn)換為整數(shù)矩陣：

其中 X_fp32、S 和 Z 分別為輸入矩陣、比例因子和整數(shù)零點。

有關(guān)每通道 (per-channel) 量化策略雖然可能會減少量化損失，但不能用于激活值量化的原因，請參看 SmoothQuant 相關(guān)文檔[10]。

不過，激活值量化誤差損失卻是導(dǎo)致模型量化準(zhǔn)確率下降的重要因素。

為此，人們提出了很多方法來降低激活值量化損失，例如：SPIQ[11]、Outlier Suppression[12]和 SmoothQuant[13]。

這三種方法思路相似，即把激活值量化的難度轉(zhuǎn)移到權(quán)重量化上，只是三者在轉(zhuǎn)移難度的多少上有所不同。

增強型 SmoothQuant

SmoothQuant 引入了一個超參數(shù) α 作為平滑因子來計算每個通道的量化比例因子，并平衡激活值和權(quán)重的量化難度。

其中 j 是輸入通道索引。

對于 OPT 和 BLOOM 等大多數(shù)模型來說，α=0.5 是一個能夠較好實現(xiàn)權(quán)重和激活值量化難度分割的平衡值。模型的激活異常值越大，就越需要使用更大的 α 值來將更多的量化難度轉(zhuǎn)移到權(quán)重上。

原始的 SmoothQuant 旨在通過針對整個模型使用一個固定值 α 來分割權(quán)重和激活值的量化難度。

然而，由于激活異常值的分布不僅在不同模型之間存在差異，而且在同一模型的不同層之間也不盡相同。

因此，本文推薦使用英特爾? Neural Compressor 的自動調(diào)優(yōu)能力，逐層獲取最佳 α 值。

相關(guān)方法包括以下五個主要步驟（偽代碼如下所示）：

1. 通過特殊的回調(diào)函數(shù) register_forward_hook 捕獲 (hook) 模型各層的輸入和輸出值。
2. 根據(jù)用戶定義的 α 范圍和步長生成一個 α 值列表。
3. 根據(jù)給定的 α 值重新計算平滑因子并調(diào)整參數(shù)（權(quán)重值和激活值）。
4. 對權(quán)重執(zhí)行每通道量化與反量化 (quantization_dequantization)，對輸入值執(zhí)行每張量 (per-tensor) 量化與反量化，以預(yù)測與給定 α 值對應(yīng)的每層輸出值。
5. 計算相對實際輸出值的均方損失，將調(diào)整后的參數(shù)恢復(fù)回來，并保存每層的最佳 α 值。

本文提出的方法支持用多個標(biāo)準(zhǔn)（如最小值、最大值和平均值）來確定 Transformer 塊的輸入層歸一化 (LayerNorm) 操作的 α 值。

實驗發(fā)現(xiàn)，將 α 范圍設(shè)為 [0.3, 0.7]，步長設(shè)為 0.05，對大多數(shù)模型來說都能達到很好的平衡。

這一方法有兩個顯著特點：一是全自動化，二是比原始方法支持的融合模式多。

下圖提供了在 BLOOM-1b7 模型上執(zhí)行 SmoothQuant α 值自動調(diào)優(yōu)的樣例代碼：

△啟用增強型 SmoothQuant 的樣例代碼

用戶只需傳遞一個模型名稱 (model_name) 和一個數(shù)據(jù)加載器。值得注意的是，模型分析主要依靠的是 Torch JIT。用戶可以在加載 Hugging Face[15]模型時將 torchscript 設(shè)置為 True，或?qū)?return_dict 設(shè)置為 False。

更多信息請參閱英特爾? Neural Compressor 文檔[15]。

結(jié)果

本文提出的增強型 SmoothQuant 的主要優(yōu)勢在于提高了準(zhǔn)確率。

經(jīng)過對多種主流大語言模型的評估，具備自動調(diào)優(yōu)能力的 INT8 SmoothQuant 最后一個詞元 (last-token) 的預(yù)測準(zhǔn)確率要高于原始 INT8 SmoothQuant 和 FP32 基線方法。詳見下圖：

△FP32基線方法、INT8(啟用和不啟用 SmoothQuant)以及 INT8（啟用本文提出的增強型 SmoothQuant）的準(zhǔn)確率對比

從上圖可以看出，在 OPT-1.3b 和 BLOOM-1b7 模型上，本文提出的增強型 SmoothQuant 的準(zhǔn)確率比默認(rèn)的 SmoothQuant 分別高 5.4% 和 1.6%。

量化后的模型也縮小到 FP32 模型的四分之一，大大減少了內(nèi)存占用空間，從而有效地提升大模型在英特爾? 平臺上的推理性能。

更全面的結(jié)果請見 GitHub 存儲庫[16]。同時，也歡迎您創(chuàng)建拉取請求或就 GitHub 問題[17]發(fā)表評論。期待聽到您的反饋意見和建議。

作者：

英特爾公司人工智能資深架構(gòu)師沈海豪、英特爾公司人工智能資深軟件工程師程文華、英特爾公司人工智能軟件工程師陸崟彤、何欣、郭恒、王暢、王夢妮，他們都在從事模型量化及壓縮的研究與優(yōu)化工作。

參考鏈接：

[1]英特爾? Neural Compressor：

https://www.intel.cn/content/www/cn/zh/developer/tools/oneapi/neural-compressor.html

[2]英特爾? Extension for TensorFlow:

https://www.intel.cn/content/www/cn/zh/developer/tools/oneapi/optimization-for-tensorflow.html

[3]英特爾? Extension for PyTorch:

https://www.intel.cn/content/www/cn/zh/developer/tools/oneapi/optimization-for-pytorch.html

[4]英特爾? 至強? 可擴展處理器:

https://www.intel.cn/content/www/cn/zh/products/details/processors/xeon/scalable.html

[5]英特爾? 至強? CPU Max 系列:

https://www.intel.cn/content/www/cn/zh/products/details/processors/xeon/max-series.html

[6]英特爾? 數(shù)據(jù)中心 GPU Flex 系列:

https://www.intel.cn/content/www/cn/zh/products/details/discrete-gpus/data-center-gpu/flex-series.html

[7]英特爾? 數(shù)據(jù)中心 GPU Max 系列:

https://www.intel.cn/content/www/cn/zh/products/details/discrete-gpus/data-center-gpu/max-series.html

[8]第四代英特? 至強? 可擴展處理器:

https://www.intel.cn/content/www/cn/zh/events/accelerate-with-xeon.html

[9]AI 與內(nèi)存墻:

https://medium.com/riselab/ai-and-memory-wall-2cb4265cb0b8

[10]SmoothQuant 相關(guān)文檔:

https://github.com/intel/neural-compressor/blob/master/docs/source/smooth_quant.md

[11]SPIQ:

https://arxiv.org/abs/2203.14642

[12]Outlier Suppression:

https://arxiv.org/abs/2209.13325

[13]SmoothQuant:

https://arxiv.org/abs/2211.10438

[14]Hugging Face 模型:

https://huggingface.co/models

[15]英特爾? Neural Compressor 文檔:

https://github.com/intel/neural-compressor/blob/master/docs/source/smooth_quant.md

[16]GitHub 存儲庫:

https://github.com/intel/neural-compressor/blob/master/docs/source/smooth_quant.md

[17]GitHub 問題:

https://github.com/intel/neural-compressor/issues