安装
- 克隆此仓库并导航到 EfficientQAT 文件夹
git clone https://github.com/OpenGVLab/EfficientQAT.git
cd EfficientQAT- 安装包
conda create -n efficientqat python==3.11
conda activate efficientqat
pip install -r requirements.txt模型库
我们提供多个预量化的 EfficientQAT 模型，如下所示：
- WikiText2 PPL 是在 2048 上下文长度下测量的。
- 平均准确率表示在 5 个零样本推理任务（WinoGrande, PIQA, HellaSwag, Arc-Easy, Arc-Challenge）中的平均准确性，版本为 lm-eval v0.4.2。
- 1GB = 位
- Hub Link: EQAT 表示原始检查点。我们还将检查点转换为 GPTQ 和 BitBLAS 格式， 可以通过 GPTQModel 直接加载。(PS: GPTQModel 是 AutoGPTQ 的官方修复仓库，未来将并入 AutoGPTQ。)
| Model | 量化 | WikiText2 PPL | 平均准确率 | 模型大小 (GB) | Hub链接 |
|---|---|---|---|---|---|
| Llama-2-7B | fp16 | 5.47 | 64.86 | 13.2 | - |
| Llama-2-7B | w4g128 | 5.53 | 64.27 | 3.7 | EQAT|GPTQ|BitBLAS |
| Llama-2-7B | w3g128 | 5.81 | 64.02 | 3.1 | EQAT |
| Llama-2-7B | w2g64 | 6.86 | 60.14 | 2.3 | EQAT|GPTQ|BitBLAS |
| Llama-2-7B | w2g128 | 7.17 | 59.50 | 2.2 | EQAT|GPTQ|BitBLAS |
| Llama-2-13B | fp16 | 4.88 | 67.81 | 25.4 | - |
| Llama-2-13B | w4g128 | 4.93 | 67.52 | 6.8 | EQAT|GPTQ|BitBLAS |
| Llama-2-13B | w3g128 | 5.12 | 67.28 | 5.6 | EQAT |
| Llama-2-13B | w2g64 | 5.96 | 64.88 | 4.0 | EQAT|GPTQ|BitBLAS |
| Llama-2-13B | w2g128 | 6.08 | 63.88 | 3.8 | EQAT|GPTQ|比特 BLAS |
| Llama-2-70B | fp16 | 3.32 | 72.41 | 131.6 | - |
| Llama-2-70B | w4g128 | 3.39 | 72.62 | 35.8 | EQAT|GPTQ|BitBLAS |
| Llama-2-70B | w3g128 | 3.61 | 71.76 | 29.1 | EQAT |
| Llama-2-70B | w2g64 | 4.52 | 69.48 | 20.1 | EQAT|GPTQ|BitBLAS |
| Llama-2-70B | w2g128 | 4.61 | 68.93 | 18.9 | EQAT|GPTQ|BitBLAS |
| Llama-3-8B | fp16 | 6.14 | 68.58 | 13.0 | - |
| Llama-3-8B | w4g128 | 6.47 | 68.43 | 5.4 | EQAT|GPTQ|BitBLAS |
| Llama-3-8B | w3g128 | 7.09 | 67.35 | 4.7 | EQAT |
| Llama-3-8B | w2g64 | 9.41 | 60.76 | 3.9 | EQAT|GPTQ|BitBLAS |
| Llama-3-8B | w2g128 | 9.80 | 59.36 | 3.8 | EQAT|GPTQ|BitBLAS |
| Llama-3-70B | fp16 | 2.85 | 75.33 | 137.8 | - |
| Llama-3-70B | w4g128 | 3.17 | 74.57 | 38.9 | EQAT|GPTQ|BitBLAS |
| Llama-3-70B | w3g128 | 4.19 | 72.42 | 32.2 | EQAT |
| Llama-3-70B | w2g64 | 6.08 | 67.89 | 23.2 | EQAT|GPTQ |
| Llama-3-70B | w2g128 | 6.38 | 67.57 | 22.0 | EQAT|GPTQ|BitBLAS |
| Llama-3-8B-Instruct | fp16 | 8.29 | 68.43 | 13.0 | - |
| Llama-3-8B-Instruct | w4g128 | 7.93 | 68.39 | 5.4 | EQAT|GPTQ|BitBLAS |
| Llama-3-8B-Instruct | w3g128 | 8.55 | 67.24 | 4.7 | EQAT |
| Llama-3-8B-Instruct | w2g64 | 11.19 | 60.66 | 3.9 | EQAT|GPTQ|BitBLAS |
| Llama-3-8B-Instruct | w2g128 | 11.73 | 60.16 | 3.8 | EQAT|GPTQ|BitBLAS |
| Llama-3-70B-Instruct | fp16 | 5.33 | 73.78 | 137.8 | - |
| Llama-3-70B-Instruct | w4g128 | 5.35 | 73.47 | 38.9 | EQAT|GPTQ|BitBLAS |
| Llama-3-70B-Instruct | w3g128 | 5.65 | 72.87 | 32.2 | EQAT |
| Llama-3-70B-Instruct | w2g64 | 7.86 | 67.64 | 23.2 | EQAT|GPTQ|BitBLAS |
| Llama-3-70B-Instruct | w2g128 | 8.14 | 67.54 | 22.0 | EQAT|GPTQ|BitBLAS |
| Mistral-Large-Instruct-2407 | fp16 | 2.74 | 77.76 | 228.5 | - |
| Mistral-Large-Instruct-2407 | w2g64 | 5.58 | 73.54 | 35.5 | GPTQ |
训练
EfficientQAT 包括两个连续的训练阶段：所有参数的块级训练 (Block-AP) 和量化参数的端到端训练 (E2E-QP)。详细的训练脚本可以在 ./examples 中找到。我们在下面提供了关于 Llama-2-7B 的 w2g64 量化的训练脚本示例。
- Block-AP
在运行以下命令之前，您应该将 --model 修改为脚本中全精度模型的文件夹。
bash examples/block_ap/Llama-2-7b/w2g64.sh
具体来说，--weight_lr 在我们的实验中对于 2 位是2e-5，而对于 3/4 位是1e-5。
一些其他重要的论点：
--train_size: 训练数据样本数量，默认值为 4096--val_size：验证数据样本数量，默认值为 64--off_load_to_disk：将训练数据集保存到磁盘，节省 CPU 内存，但可能会降低训练速度
- E2E-QP
然后，您可以加载 Block-AP 的量化模型以进行进一步的 E2E-QP。具体而言，E2E-QP 可以通过更改训练数据集适应不同的场景。您应该在运行以下命令之前，将 --quant_model_path 修改为脚本中量化模型的文件夹。
1) Train on RedPajama
bash examples/e2e_qp/Llama-2-7b/w2g64-redpajama.sh
2) 在阿尔帕卡上训练
bash examples/e2e_qp/Llama-2-7b/w2g128-redpajama.sh
具体而言，--learning_rate 在我们的实验中对 2 位数为 2e-5，而对 3/4 位数为 1e-5。您可以减少 --per_device_train_batch_size 来降低训练过程中的内存占用，并确保 --gradient_accumulation_steps 按相同比例增加，以保持相同的批量大小。
推断
- 从 Huggingface 下载预量化的 EfficientQAT 模型
pip install huggingface_hub
huggingface-cli download ChenMnZ/Llama-2-7b-EfficientQAT-w2g64 --local-dir ./output/pre_quantized_models/Llama-2-7b-EfficientQAT-w2g64
- 评估预量化的 EfficientQAT 模型
CUDA_VISIBLE_DEVICES=0 python main_block_ap.py \
--resume_quant ./output/pre_quantized_models/Llama-2-7b-EfficientQAT-w2g64 \
--net Llama-2 \
--wbits 2 \
--group_size 64 \
--output_dir ./output/inference_results/ \
--eval_ppl \
--eval_tasks piqa,arc_easy,arc_challenge,hellaswag,winogrande模型传输
首先，您应该安装gptqmodel包以支持 GPTQ 和 BitBLAS 量化格式：
git clone https://github.com/ModelCloud/GPTQModel.git && cd GPTQModel
bash install.sh- 根据我们的经验，我们使用
gptqmodel v0.9.8进行测试。
然后，我们提供以下三种转账方式：
- 将 EfficientQAT 检查点转移到 GPTQ 格式
bash examples/model_transfer/efficientqat_to_gptq/llama-2-7b.sh- 注意: 目前 AutoGPTQ 存在用于非对称量化的溢出错误。因此，我们选择官方修复错误的版本 GPTQModel 来传输我们的非对称量化模型。因此，该库提供的 GPTQ 模型只能通过 GPTQModel 成功加载，否则是 AutoGPTQ。
- 将 EfficientQAT 检查点转移到 BitBLAS 格式
bash examples/model_transfer/efficientqat_to_bitblas/llama-2-7b.sh- 加速存在一些问题，详见此问题。
- 将 EfficientQAT 检查点中的 fp32 数据转移到半精度对应项。一些参数在训练时以 fp32 保存，您可以将它们转移为半精度，以进一步减少训练后的模型大小。
bash examples/model_transfer/fp32_to_16/llama-2-7b.sh其他格式的推断
以下是使用 GPTQ 或 BitBLAS 量化格式进行推理的示例。
from transformers import AutoTokenizer
from gptqmodel import GPTQModel
quant_dir = "ChenMnZ/Llama-2-7b-EfficientQAT-w2g128-GPTQ"
# quant_dir = "ChenMnZ/Llama-2-7b-EfficientQAT-w2g128-BitBLAS"
# or local path
tokenizer = AutoTokenizer.from_pretrained(quant_dir, use_fast=True)
# load quantized model to the first GPU
model = GPTQModel.from_quantized(quant_dir)
# inference with model.generate
print(tokenizer.decode(model.generate(**tokenizer("Model quantization is", return_tensors="pt").to(model.device))[0]))
