“大模型压缩神器”？十亿参数，一键瘦身！狂掉75% 作者：英特尔公司 陆崟彤何欣郭恒程文华王畅王梦妮沈海豪 编辑：新智元 本文介绍了可提升大语言模型的训练后量化表现的增强型 SmoothQuant 技术，说明了这项技术的用法，并证明了其在准确率方面的优势。此方法已整合至英特尔?Neural Compressor(1)中。 英特尔?Neural Compressor 是一个包含量化、剪枝（稀疏性）、蒸馏（知识提炼）和神经架构搜索等多种常用模型压缩技术的开源 Python 库。 目前，诸如 TensorFlow、英特尔?Extension for TensorFlow(2)、PyTorch、英特尔?Extension for PyTorch(3)、ONNX Runtime 和 MXNet等主流框架，都能与之兼容。 英特尔?Neural Compressor 已经支持多款英特尔?架构的硬件，比如英特尔?至强?可扩展处理器(4)、英特尔?至强?CPU Max 系列(5)、英特尔?数据中心 GPU Flex 系列(6)和英特尔?数据中心 GPU Max 系列(7)。 本文涉及的实验基于第四代英特尔?至强?可扩展处理器(8)进行。 大语言模型 大语言模型 (Large Language Model, LLM) 需基于海量数据集进行训练，可能拥有数十亿权重参数。 其先进的网络结构和庞大的参数量，使它们能够很好地应对自然语言本身的复杂性。完成训练后的大语言模型，可针对各种下游的自然语言处理 (NLP) 和自然语言生成 (NLG) 任务进行调优，让其更适合对话式聊天机器人（如 ChatGPT）、机器翻译、文本分类、欺诈检测和情感分析等任务场景。 大语言模型部署面临的挑战 大语言模型在执行自然语言处理和自然语言生成任务方面表现出色，但其训练和部署颇为复杂，主要面临以下挑战： AI 与内存墙(9)瓶颈问题：算力每两年提高 3.1 倍，内存带宽却只提高 1.4 倍； 网络带宽挑战：训练大语言模型需要采用分布式系统，这对网络带宽提出了较高要求； 系统资源有限：训练后的模型往往会部署在算力和内存资源均有限的系统上。 因此，采用训练后量化的方法来为大语言模型瘦身，对于实现低时延推理至关重要。 大语言模型的量化 量化是一种常见的压缩操作，可以减少模型占用的内存空间，提高推理性能。采用量化方法可以降低大语言模型部署的难度。具体来说，量化是将浮点矩阵转换为整数矩阵：其中 X_fp32、S 和 Z 分别为输入矩阵、比例因子和整数零点。有关每通道 (per-channel) 量化策略虽然可能会减少量化损失，但不能用于激活值量化的原因，请参看 SmoothQuant 相关文档(10)。不过，激活值量化误差损失却是导致模型量化准确率下降的重要因素。为此，人们提出了很多方法来降低激活值量化损失，例如：SPIQ(11)、Outlier Suppression(12)和 SmoothQuant(13)。这三种方法思路相似，即把激活值量化的难度转移到权重量化上，只是三者在转移难度的多少上有所不同。增强型 SmoothQuant SmoothQuant 引入了一个超参数 α 作为平滑因子来计算每个通道的量化比例因子，并平衡激活值和权重的量化难度。其中 j 是输入通道索引。对于期权定价模型 (OPT) 和 BLOOM 等大多数模型来说，α=0.5 是一个能够较好实现权重和激活值量化难度分割的平衡值。模型的激活异常值越大，就越需要使用更大的 α 值来将更多的量化难度转移到权重上。 原始的 SmoothQuant 旨在通过针对整个模型使用一个固定值 α 来分割权重和激活值的量化难度。 然而，由于激活异常值的分布不仅在不同模型之间存在差异，而且在同一模型的不同层之间也不尽相同，因此，本文推荐使用英特尔? Neural Compressor 的自动调优能力，逐层获取最佳 α 值。 相关方法包括以下五个主要步骤（伪代码如下所示）： 通过特殊的回调函数 register_forward_hook 捕获 (hook) 模型各层的输入和输出值。 根据用户定义的 α 范围和步长生成一个 α 值列表。 根据给定的 α 值重新计算平滑因子并调整参数（权重值和激活值）。 对权重执行每通道量化与反量化 (quantization_dequantization)，对输入值执行每张量 (per-tensor) 量化与反量化，以预测与给定 α 值对应的每层输出值。 计算相对实际输出值的均方损失，将调整后的参数恢复回来，并保存每层的最佳 α 值。 本文提出的方法支持用多个标准（如最小值、最大值和平均值）来确定 Transformer 块的输入层归一化 (LayerNorm) 操作的 α 值。 实验发现，将 α 范围设为 [0.3, 0.7]，步长设为 0.05，对大多数模型来说都能达到很好的平衡。 这一方法有两个显著特点：一是全自动化，二是比原始方法支持的融合模式多。 下图提供了在 BLOOM-1b7 模型上执行 SmoothQuant α 值自动调优的样例代码： 启用增强型 SmoothQuant 的样例代码 用户只需传递一个模型名称 (model_name) 和一个数据加载器。 值得注意的是，模型分析主要依靠的是 Torch JIT。用户可以在加载 Hugging Face 模型(14)时将 torchscript 设置为 True，或将 return_dict 设置为 False。更多信息请参阅英特尔? Neural Compressor 文档(10)。 结果 本文提出的增强型 SmoothQuant 的主要优势在于提高了准确率。经过对多种主流大语言模型的评估，具备自动调优能力的 INT8 SmoothQuant 最后一个词元 (last-token) 的预测准确率要高于原始 INT8 SmoothQuant 和 FP32 基线方法。详见下图：FP32 基线方法、INT8（启用和不启用 SmoothQuant）以及 INT8（启用本文提出的增强型 SmoothQuant）的准确率对比从上图可以看出，在 OPT-1.3b 和 BLOOM-1b7 模型上，本文提出的增强型 SmoothQuant 的准确率比默认的 SmoothQuant 分别高 5.4% 和 1.6%。量化后的模型也缩小到 FP32 模型的四分之一，大大减少了内存占用空间，从而有效地提升大模型在英特尔? 平台上的推理性能。更全面的结果请见 GitHub 存储库(10)。同时，也欢迎您创建拉取请求或就 GitHub 问题(15)发表评论。期待听到您的反馈意见和建议。作者 英特尔公司人工智能资深架构师沈海豪、英特尔公司人工智能资深软件工程师程文华、英特尔公司人工智能软件工程师陆崟彤、何欣、郭恒、王畅、王梦妮，他们都在从事模型量化及压缩的研究与优化工作。 注释： 1. 英特尔? Neural Compressor https://www.intel.cn/content/www/cn/zh/developer/tools/oneapi/neural-compressor.html2. 英特尔? Extension for TensorFlowhttps://www.intel.cn/content/www/cn/zh/developer/tools/oneapi/optimization-for-tensorflow.html3. 英特尔? Extension for PyTorchhttps://www.intel.cn/content/www/cn/zh/developer/tools/oneapi/optimization-for-pytorch.html4. 英特尔?至强? 可扩展处理器https://www.intel.cn/content/www/cn/zh/products/details/processors/xeon/scalable.html5. 英特尔?至强? CPU Max 系列https://www.intel.cn/content/www/cn/zh/products/details/processors/xeon/max-series.html6. 英特尔? 数据中心 GPU Flex 系列https://www.intel.cn/content/www/cn/zh/products/details/discrete-gpus/data-center-gpu/flex-series.html7. 英特尔? 数据中心 GPU Max 系列https://www.intel.com/content/www/us/en/products/details/discrete-gpus/data-center-gpu/max-series.html8. 第四代英特尔?至强? 可扩展处理器https://www.intel.cn/content/www/cn/zh/events/accelerate-with-xeon.html9. AI 与内存墙https://medium.com/riselab/ai-and-memory-wall-2cb4265cb0b810. SmoothQuant 相关文档 / 英特尔? Neural Compressor 文档 / GitHub 存储库https://github.com/intel/neural-compressor/blob/master/docs/source/smooth_quant.md11. SPIQhttps://arxiv.org/abs/2203.1464212. Outlier Suppressionhttps://arxiv.org/abs/2209.1332513. SmoothQuanthttps://arxiv.org/abs/2211.1043814. Hugging Face 模型https://huggingface.co/models15. GitHub 问题https://github.com/intel/neural-compressor/issues推荐阅读 西电IEEE Fellow团队出品！最新《Transformer视觉表征学习全面综述》润了！大龄码农从北京到荷兰的躺平生活（文末有福利哟！）如何做好科研？这份《科研阅读、写作与报告》PPT，手把手教你做科研奖金675万！3位科学家，斩获“中国诺贝尔奖”！又一名视觉大牛从大厂离开！阿里达摩院 XR 实验室负责人谭平离职 最新 2022「深度学习视觉注意力 」研究概述，包括50种注意力机制和方法！【重磅】斯坦福李飞飞《注意力与Transformer》总结，84页ppt开放下载！ 欢迎大家加入DLer-计算机视觉技术交流群！ 大家好，群里会第一时间发布计算机视觉方向的前沿论文解读和交流分享，主要方向有：图像分类、Transformer、目标检测、目标跟踪、点云与语义分割、GAN、超分辨率、人脸检测与识别、动作行为与时空运动、模型压缩和量化剪枝、迁移学习、人体姿态估计等内容。 进群请备注：研究方向+学校/公司+昵称（如图像分类+上交+小明） ??长按识别，邀请您进群！