用BigDL-LLM 即刻加速百億級參數(shù)LLM推理 | 最“in”大模型

十三 2023-09-01 14:29:38 來源：量子位

作者：英特爾公司黃晟盛、黃凱、戴金權(quán)

量子位 | 公眾號 QbitAI

我們正邁入一個由大語言模型（Large Language Model, LLM）驅(qū)動的 AI 新時代，LLM在諸如客戶服務(wù)、虛擬助理、內(nèi)容創(chuàng)作、編程輔助等各類應(yīng)用中正發(fā)揮著越來越重要的作用。

然而，隨著 LLM 規(guī)模不斷擴大，運行大模型所需的資源消耗也越來越大，導(dǎo)致其運行也越來越慢，這給 AI 應(yīng)用開發(fā)者帶來了相當(dāng)大的挑戰(zhàn)。

為此，英特爾最近推出了一個名為BigDL-LLM[1]的大模型開源庫，可助力 AI 開發(fā)者和研究者在英特爾? 平臺上加速優(yōu)化大語言模型，提升大語言模型在英特爾? 平臺上的使用體驗。

下面就展示了使用 BigDL-LLM 加速過的 330 億參數(shù)的大語言模型 Vicuna-33b-v1.3[2]在一臺搭載英特爾? 至強? 鉑金 8468 處理器的服務(wù)器上運行的實時效果。

△在一臺搭載英特爾? 至強? 鉑金 8468 處理器的服務(wù)器上運行 330 億參數(shù)大語言模型的實際速度（實時錄屏）

BigDL-LLM：英特爾? 平臺上的開源大語言模型加速庫

BigDL-LLM 是一個針對大語言模型的優(yōu)化加速庫，是開源 BigDL 的一部分，通過 Apache 2.0 許可證發(fā)布。

它提供了各種低精度優(yōu)化（例如 INT4/INT5/INT8），并可利用多種英特爾? CPU集成的硬件加速技術(shù)（AVX/VNNI/AMX 等）和最新的軟件優(yōu)化，來賦能大語言模型在英特爾? 平臺上實現(xiàn)更高效的優(yōu)化和更為快速的運行。

BigDL-LLM 的一大重要特性是：對基于 Hugging Face Transformers API 的模型，只需改動一行代碼即可對模型進行加速，理論上可以支持運行任何?Transformers 模型，這對熟悉 Transformers API 的開發(fā)者非常友好。

除了 Transformers API，很多人也會使用 LangChain 來開發(fā)大語言模型應(yīng)用。

為此，BigDL-LLM 也提供便于使用的 LangChain 的集成[3]，從而讓開發(fā)者能夠輕松使用 BigDL-LLM 來開發(fā)新應(yīng)用或遷移現(xiàn)有的、基于 Transformers API 或 LangChain API 的應(yīng)用。

此外，對于一般的 PyTorch 大語言模型（沒有使用 Transformer 或 LangChain API 的模型），也可使用 BigDL-LLM optimize_model API 一鍵加速來提升性能。詳情請參閱 GitHub README[4]以及官方文檔[5]。

BigDL-LLM 還提供了大量常用開源 LLM的加速樣例（e.g. 使用 Transformers API 的樣例[6]和使用 LangChain API 的樣例[7]，以及教程（包括配套 jupyter notebooks）[8] ，方便開發(fā)者快速上手嘗試。

安裝和使用：簡便的安裝過程和易用的 API 接口

安裝 BigDL-LLM 非常簡便，只需執(zhí)行如下所示的這一行命令即可。

pip install --pre --upgrade bigdl-llm[all]

使用 BigDL-LLM對大模型進行加速也是非常容易的（這里僅用 Transformers 風(fēng)格 API 進行舉例）。

使用 BigDL-LLM Transformer 風(fēng)格 API 對模型加速，只需要改動模型加載部分，后續(xù)使用過程與原生 Transformers 完全一致。

而用 BigDL-LLM API 加載模型的方式與 Transformers API 也幾乎一致——用戶只需要更改 import，在 from_pretrained 參數(shù)中設(shè)置?load_in_4bit=True?即可。

BigDL-LLM 會在加載模型的過程中對模型進行 4-bit 低精度量化，并在后續(xù)推理過程中利用各種軟硬件加速技術(shù)優(yōu)化其執(zhí)行。

#Load Hugging Face Transformers model with INT4 optimizations
from bigdl.llm. transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained('/path/to/model/', load_in_4bit=True)

示例：快速實現(xiàn)一個基于大語言模型的語音助手應(yīng)用

下文將以 LLM 常見應(yīng)用場景“語音助手”為例，展示采用 BigDL-LLM 快速實現(xiàn) LLM 應(yīng)用的案例。通常情況下，語音助手應(yīng)用的工作流程分為以下兩個部分：

△圖 1. 語音助手工作流程示意

1. 語音識別——使用語音識別模型（本示例采用了 Whisper 模型[9] ）將用戶的語音轉(zhuǎn)換為文本；
2. 文本生成——將 1 中輸出的文本作為提示語 (prompt)，使用一個大語言模型（本示例采用了 Llama2[10] ）生成回復(fù)。

以下是本文使用 BigDL-LLM 和 LangChain[11] 來搭建語音助手應(yīng)用的過程：

在語音識別階段：第一步，加載預(yù)處理器 processor 和語音識別模型 recog_model。本示例中使用的識別模型 Whisper 是一個 Transformers 模型。

只需使用 BigDL-LLM 中的?AutoModelForSpeechSeq2Seq?并設(shè)置參數(shù)?load_in_4bit=True，就能夠以 INT4 精度加載并加速這一模型，從而顯著縮短模型推理用時。

processor = WhisperProcessor .from_pretrained(recog_model_path)
recog_model = AutoModelForSpeechSeq2Seq .from_pretrained(recog_model_path, load_in_4bit=True)

第二步，進行語音識別。首先使用處理器從輸入語音中提取輸入特征，然后使用識別模型預(yù)測 token，并再次使用處理器將 token 解碼為自然語言文本。

input_features = processor(frame_data,
                                                                      sampling_rate=audio.sample_rate,
                                                                      return_tensor=“pt”).input_features
predicted_ids = recogn_model.generate(input_features, forced_decoder_ids=forced_decoder_ids)
text = processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]

在文本生成階段，首先使用 BigDL-LLM 的?TransformersLLM API?創(chuàng)建一個 LangChain 語言模型（TransformersLLM 是在 BigDL-LLM 中定義的語言鏈 LLM 集成）。

您可以使用這個 API 加載任何一個 Hugging Face Transformers 模型。

llm = TransformersLLM . from_model_id(
                  model_id=llm_model_path,
                  model_kwargs={"temperature": 0,
                                                             "max_length": args.max_length,
                                                             "trust_remote_code": True},
)

然后，創(chuàng)建一個正常的對話鏈?LLMChain，并將已經(jīng)創(chuàng)建的 llm 設(shè)置為輸入?yún)?shù)。

# The following code is complete the same as the use-case
voiceassistant_chain = LLMChain(
          llm=llm,
         prompt=prompt,
        verbose=True,
        memory=ConversationBufferWindowMemory(k=2),
) 

這個鏈條將會記錄所有的對話歷史，并將對話歷史適當(dāng)?shù)馗袷交癁榇笳Z言模型的提示語，用于生成回復(fù)。這時候只需要將識別模型生成的文本作為 “human_input” 輸入即可，代碼如下：

response_text = voiceassistant_chain .predict(human_input=text,
                                                                                                                     stop=”nn”)

最后，將語音識別和文本生成步驟放入循環(huán)中，即可在多輪對話中與該“語音助手”交談。您可訪問底部 [12] 鏈接，查看完整的示例代碼，并使用自己的電腦進行嘗試。快用 BigDL-LLM 來快速搭建自己的語音助手吧！

作者簡介

英特爾公司 AI 資深架構(gòu)師黃晟盛，英特爾公司 AI 框架工程師黃凱，英特爾院士、大數(shù)據(jù)技術(shù)全球 CTO、BigDL項目創(chuàng)始人戴金權(quán)，都在從事大數(shù)據(jù)和 AI 相關(guān)工作。

參考鏈接：

[1] https://github.com/intel-analytics/BigDL/tree/main/python/llm

[2]Vicuna 模型是社區(qū)基于 LLaMA 模型微調(diào)而得的。https://huggingface.co/lmsys/vicuna-33b-v1.3

[3]https://github.com/intel-analytics/BigDL/blob/main/python/llm/README.md#langchain-api

[4]https://github.com/intel-analytics/BigDL/blob/main/python/llm/README.md

[5]https://bigdl.readthedocs.io/en/latest/doc/LLM/index.html

[6]https://github.com/intel-analytics/BigDL/tree/main/python/llm/example/transformers/transformers_int4

[7]https://github.com/intel-analytics/BigDL/tree/main/python/llm/example/langchain

[8]https://github.com/intel-analytics/bigdl-llm-tutorial

[9]https://github.com/openai/whisper

[10]https://huggingface.co/meta-llama/Llama-2-7b-chat-hf

[11]https://github.com/langchain-ai/langchain

[12]https://github.com/intel-analytics/BigDL/blob/main/python/llm/example/langchain/transformers_int4/voiceassistant.py