量化
量化技术通过使用较低精度的数据类型(例如 8 位整数 (int8))来表示权重和激活,从而降低内存和计算成本。这使得您可以加载通常无法放入内存的大型模型,并加快推理速度。Transformers 支持 AWQ 和 GPTQ 量化算法,并且支持使用 bitsandbytes 进行 8 位和 4 位量化。
Transformers 中不支持的量化技术可以通过 HfQuantizer
类添加。
在量化指南中了解如何量化模型。
QuantoConfig
类 transformers.QuantoConfig
< 源代码 >( 权重 = 'int8' 激活 = None 不转换的模块: Optional = None **kwargs )
这是一个关于所有可能属性和特性的包装类,您可以使用通过 quanto
加载的模型进行操作。
安全检查器,确保参数正确
AqlmConfig
类 transformers.AqlmConfig
< 源代码 >( in_group_size: int = 8 out_group_size: int = 1 num_codebooks: int = 1 nbits_per_codebook: int = 16 linear_weights_not_to_quantize: Optional = None **kwargs )
参数
- in_group_size (
int
,可选,默认为 8) — 沿输入维度的组大小。 - out_group_size (
int
,可选,默认为 1) — 沿输出维度的组大小。建议始终使用 1。 - num_codebooks (
int
,可选,默认为 1) — 加法量化过程的码本数量。 - nbits_per_codebook (
int
, 可选, 默认为 16) — 编码单个码本向量的位数。码本大小为 2**nbits_per_codebook。 - linear_weights_not_to_quantize (
Optional[List[str]]
, 可选) — 不应量化的nn.Linear
权重参数的完整路径列表。 - kwargs (
Dict[str, Any]
, 可选) — 用于初始化配置对象的附加参数。
这是关于 aqlm
参数的包装类。
安全检查器,用于检查参数是否正确 - 还会将一些 NoneType 参数替换为其默认值。
AwqConfig
类 transformers.AwqConfig
< 源代码 >( bits: int = 4 group_size: int = 128 zero_point: bool = True version: AWQLinearVersion = <AWQLinearVersion.GEMM: 'gemm'> backend: AwqBackendPackingMethod = <AwqBackendPackingMethod.AUTOAWQ: 'autoawq'> do_fuse: Optional = None fuse_max_seq_len: Optional = None modules_to_fuse: Optional = None modules_to_not_convert: Optional = None exllama_config: Optional = None **kwargs )
参数
- bits (
int
,可选,默认为 4) — 量化到的位数。 - group_size (
int
,可选,默认为 128) — 用于量化的组大小。建议值为 128,-1 使用每列量化。 - zero_point (
bool
,可选,默认为True
) — 是否使用零点量化。 - version (
AWQLinearVersion
,可选,默认为AWQLinearVersion.GEMM
) — 要使用的量化算法版本。GEMM 更适合大批量大小(例如 >= 8),否则 GEMV 更好(例如 < 8)。GEMM 模型与 Exllama 内核兼容。 - backend (
AwqBackendPackingMethod
,可选,默认为AwqBackendPackingMethod.AUTOAWQ
) — 量化后端。某些模型可以使用llm-awq
后端进行量化。这对于使用llm-awq
库量化自己模型的用户很有用。 - do_fuse (
bool
,可选,默认为False
) — 是否将注意力和 mlp 层融合在一起以加快推理速度 - fuse_max_seq_len (
int
,可选) — 使用融合时生成的最大序列长度。 - modules_to_fuse (
dict
,可选,默认为None
) — 使用用户指定的融合方案覆盖原生支持的融合方案。 - modules_to_not_convert (
list
,可选,默认为None
) — 不进行量化的模块列表,对于需要明确保留某些模块原始精度的模型的量化很有用(例如 Whisper 编码器、Llava 编码器、Mixtral 门控层)。请注意,您不能直接使用 transformers 进行量化,请参阅AutoAWQ
文档以了解如何量化 HF 模型。 - exllama_config (
Dict[str, Any]
,可选) — 您可以通过version
键指定 exllama 内核的版本,通过max_input_len
键指定最大序列长度,通过max_batch_size
键指定最大批次大小。如果未设置,则默认为{"version": 2, "max_input_len": 2048, "max_batch_size": 8}
。
这是一个关于所有可能属性和特征的包装类,您可以使用 auto-awq
库加载的模型进行操作,该库依赖于 auto_awq 后端的 awq 量化。
安全检查器,确保参数正确
EetqConfig
类 transformers.EetqConfig
< 源代码 >( weights: str = 'int8' modules_to_not_convert: Optional = None **kwargs )
这是一个关于使用 eetq
加载的模型可以使用的所有可能属性和功能的包装类。
安全检查器,确保参数正确
GPTQConfig
类 transformers.GPTQConfig
< 源代码 >( bits: int tokenizer: Any = None dataset: Union = None group_size: int = 128 damp_percent: float = 0.1 desc_act: bool = False sym: bool = True true_sequential: bool = True use_cuda_fp16: bool = False model_seqlen: Optional = None block_name_to_quantize: Optional = None module_name_preceding_first_block: Optional = None batch_size: int = 1 pad_token_id: Optional = None use_exllama: Optional = None max_input_length: Optional = None exllama_config: Optional = None cache_block_outputs: bool = True modules_in_block_to_quantize: Optional = None **kwargs )
参数
- bits (
int
) — 量化的位数,支持的数字为 (2, 3, 4, 8)。 - tokenizer (
str
或PreTrainedTokenizerBase
,可选) — 用于处理数据集的分词器。您可以传递以下内容:- 自定义分词器对象。
- 字符串,托管在 huggingface.co 上的模型仓库中的预定义分词器的模型 ID。
- 分词器所需的目录路径,其中包含词汇表文件,例如使用 save_pretrained() 方法保存的文件,例如,
./my_model_directory/
。
- dataset (
Union[List[str]]
,可选) — 用于量化的数据集。您可以在字符串列表中提供自己的数据集,或者只使用 GPTQ 论文 [‘wikitext2’,‘c4’,‘c4-new’] 中使用的原始数据集 - group_size (
int
,可选,默认为 128) — 用于量化的组大小。建议值为 128,-1 使用每列量化。 - damp_percent (
float
,可选,默认为 0.1) — 用于阻尼的平均 Hessian 对角线的百分比。建议值为 0.1。 - desc_act (
bool
,可选,默认为False
) — 是否按激活大小递减的顺序量化列。将其设置为 False 可以显着加快推理速度,但困惑度可能会略有下降。也称为 act-order。 - sym (
bool
,可选,默认为True
) — 是否使用对称量化。 - true_sequential (
bool
,可选,默认为True
) — 是否即使在单个 Transformer 块内也执行顺序量化。我们不是一次量化整个块,而是执行逐层量化。因此,每一层都使用通过先前量化层的输入进行量化。 - use_cuda_fp16 (
bool
,可选,默认为False
) — 是否使用针对 fp16 模型优化的 cuda 内核。需要将模型转换为 fp16 格式。 - model_seqlen (
int
,可选) — 模型可以接受的最大序列长度。 - block_name_to_quantize (
str
,可选) — 要量化的 transformers 模块名称。如果为 None,我们将使用常见模式(例如 model.layers)推断模块名称。 - module_name_preceding_first_block (
List[str]
,可选) — 第一个 Transformer 模块之前的层。 - batch_size (
int
,可选,默认为 1) — 处理数据集时使用的批量大小。 - pad_token_id (
int
,可选) — 填充标记 ID。当batch_size
> 1 时,需要准备数据集。 - use_exllama (
bool
,可选) — 是否使用 exllama 后端。如果未设置,则默认为True
。仅适用于bits
= 4 的情况。 - max_input_length (
int
,可选) — 最大输入长度。这是初始化依赖于最大预期输入长度的缓冲区所必需的。它特定于带有 act-order 的 exllama 后端。 - exllama_config (
Dict[str, Any]
, 可选) — Exllama 配置。您可以通过version
键指定 exllama 内核的版本。如果未设置,则默认为{"version": 1}
。 - cache_block_outputs (
bool
, 可选, 默认为True
) — 是否缓存块输出以重用作为后续块的输入。 - modules_in_block_to_quantize (
List[List[str]]
, 可选) — 指定块中要量化的模块名称列表的列表。此参数可用于从量化中排除某些线性模块。要量化的块可以通过设置block_name_to_quantize
来指定。我们将按顺序量化每个列表。如果未设置,我们将量化所有线性层。示例:modules_in_block_to_quantize =[["self_attn.k_proj", "self_attn.v_proj", "self_attn.q_proj"], ["self_attn.o_proj"]]
。在此示例中,我们将首先同时量化 q、k、v 层,因为它们是独立的。然后,我们将使用量化的 q、k、v 层量化self_attn.o_proj
层。这样,我们将获得更好的结果,因为它反映了模型量化时self_attn.o_proj
将获得的实际输入。
这是一个关于您可以使用已使用 optimum
api 加载的模型进行的所有可能属性和功能的包装类,用于依赖 auto_gptq 后端的 gptq 量化。
获取与 optimum gptq 配置字典兼容的类
安全检查器,确保参数正确
获取与 optimum gptq 配置兼容的字典
BitsAndBytesConfig
类 transformers.BitsAndBytesConfig
< 源代码 >( load_in_8bit = False load_in_4bit = False llm_int8_threshold = 6.0 llm_int8_skip_modules = None llm_int8_enable_fp32_cpu_offload = False llm_int8_has_fp16_weight = False bnb_4bit_compute_dtype = None bnb_4bit_quant_type = 'fp4' bnb_4bit_use_double_quant = False bnb_4bit_quant_storage = None **kwargs )
参数
- load_in_8bit (
bool
, 可选, 默认为False
) — 此标志用于启用 LLM.int8() 的 8 位量化。 - load_in_4bit (
bool
, 可选, 默认为False
) — 此标志用于通过将线性层替换为来自bitsandbytes
的 FP4/NF4 层来启用 4 位量化。 - llm_int8_threshold (
float
, 可选, 默认为 6.0) — 这对应于LLM.int8() : 8-bit Matrix Multiplication for Transformers at Scale
论文中描述的异常值检测的异常值阈值: https://arxiv.org/abs/2208.07339 任何高于此阈值的隐藏状态值将被视为异常值,并且对这些值的运算将在 fp16 中完成。 值通常呈正态分布,也就是说,大多数值都在 [-3.5, 3.5] 范围内,但有一些特殊的系统异常值对于大型模型的分布非常不同。 这些异常值通常在 [-60, -6] 或 [6, 60] 区间内。 Int8 量化适用于大小约为 5 的值,但超过此值,性能会显着下降。 一个良好的默认阈值为 6,但对于更不稳定的模型(小型模型、微调),可能需要更低的阈值。 - llm_int8_skip_modules (
List[str]
, 可选) — 我们不想转换为 8 位的模块的显式列表。 这对于 Jukebox 等模型很有用,这些模型在不同位置有多个头部,而且不一定位于最后一个位置。 例如,对于CausalLM
模型,最后一个lm_head
保留在其原始dtype
中。 - llm_int8_enable_fp32_cpu_offload (
bool
,可选,默认为False
) — 此标志用于高级用例和了解此功能的用户。如果想将模型拆分为不同的部分,并在 GPU 上以 int8 运行某些部分,在 CPU 上以 fp32 运行某些部分,则可以使用此标志。这对于卸载大型模型(例如google/flan-t5-xxl
)非常有用。请注意,int8 操作不会在 CPU 上运行。 - llm_int8_has_fp16_weight (
bool
,可选,默认为False
) — 此标志使用 16 位主权重运行 LLM.int8()。这对于微调非常有用,因为权重不必为了反向传播而反复转换。 - bnb_4bit_compute_dtype (
torch.dtype
或 str,可选,默认为torch.float32
) — 这将设置计算类型,该类型可能与输入类型不同。例如,输入可能是 fp32,但为了提高速度,可以将计算设置为 bf16。 - bnb_4bit_quant_type (
str
,可选,默认为"fp4"
) — 这将设置 bnb.nn.Linear4Bit 层中的量化数据类型。选项为 FP4 和 NF4 数据类型,分别由fp4
或nf4
指定。 - bnb_4bit_use_double_quant (
bool
,可选,默认为False
) — 此标志用于嵌套量化,其中来自第一次量化的量化常数将再次被量化。 - bnb_4bit_quant_storage (
torch.dtype
或 str,可选,默认为torch.uint8
) — 这将设置存储类型以打包量化的 4 位参数。 - kwargs (
Dict[str, Any]
,可选) — 用于初始化配置对象的附加参数。
这是一个关于所有可能属性和功能的包装类,您可以使用通过 bitsandbytes
加载的模型来使用这些属性和功能。
这将替换 load_in_8bit
或 load_in_4bit
,因此这两个选项是互斥的。
目前仅支持 LLM.int8()
、FP4
和 NF4
量化。如果向 bitsandbytes
添加更多方法,则此类将添加更多参数。
如果模型可量化,则返回 True
,否则返回 False
。
安全检查器,用于检查参数是否正确 - 还会将一些 NoneType 参数替换为其默认值。
此方法返回用于模型的量化方法。如果模型不可量化,则返回 None
。
从配置中删除与默认配置属性对应的所有属性,以便于阅读并将序列化为 Python 字典。
HfQuantizer
类 transformers.quantizers.HfQuantizer
< 源代码 >( quantization_config: QuantizationConfigMixin **kwargs )
HuggingFace 量化器的抽象类。目前支持量化 HF transformers 模型以进行推理和/或量化。此类仅用于 transformers.PreTrainedModel.from_pretrained,并且还不能轻易在该方法范围之外使用。
属性 quantization_config (transformers.utils.quantization_config.QuantizationConfigMixin
): 定义您想要量化的模型的量化参数的量化配置。 modules_to_not_convert (List[str]
, 可选): 量化模型时不转换的模块名称列表。 required_packages (List[str]
, 可选): 在使用量化器之前需要安装的 pip 软件包列表 requires_calibration (bool
): 量化方法是否需要在使用之前校准模型。 requires_parameters_quantization (bool
): 量化方法是否需要创建一个新的参数。例如,对于 bitsandbytes,需要创建一个新的 xxxParameter 才能正确量化模型。
如果量化需要额外的内存,则调整 infer_auto_device_map() 的 max_memory 参数
adjust_target_dtype
< source >( torch_dtype: torch.dtype )
如果希望调整在 from_pretrained
中用于计算 device_map 的 target_dtype
变量(以防 device_map 是 str
),请覆盖此方法。例如,对于 bitsandbytes,我们强制将 target_dtype
设置为 torch.int8
,对于 4 位,我们传递一个自定义枚举 accelerate.CustomDtype.int4
。
check_quantized_param
< source >( model: PreTrainedModel param_value: torch.Tensor param_name: str state_dict: Dict **kwargs )
检查加载的 state_dict 组件是否是量化参数的一部分 + 一些验证;仅在 requires_parameters_quantization == True 时定义,用于需要为量化创建新参数的量化方法。
从 state_dict 中获取所需的组件并创建量化参数;仅在 requires_parameters_quantization == True 时适用
可能地反量化模型以检索原始模型,但精度/性能会有一定损失。请注意,并非所有量化方案都支持此操作。
get_special_dtypes_update
< 源代码 >( model torch_dtype: torch.dtype )
返回未量化的模块的 dtype - 用于计算 device_map(如果将字符串作为 device_map 传递)。该方法将使用在 _process_model_before_weight_loading
中修改的 modules_to_not_convert
。
postprocess_model
< 源代码 >( model: PreTrainedModel **kwargs )
在加载权重后对模型进行后处理。确保重写抽象方法 _process_model_after_weight_loading
。
preprocess_model
< source >( model: PreTrainedModel **kwargs )
在加载权重之前设置模型属性和/或转换模型。此时,模型应该在元设备上初始化,以便您可以自由地操作模型的框架,以便就地替换模块。确保重写抽象方法 _process_model_before_weight_loading
。
update_device_map
< source >( device_map: Optional )
如果您想用新的设备映射覆盖现有的设备映射,请重写此方法。例如,对于 bitsandbytes,由于 accelerate
是硬性要求,如果没有传递 device_map,则 device_map 设置为 `“auto”“
update_missing_keys
< source >( model missing_keys: List prefix: str )
如果您想调整 missing_keys
,请重写此方法。
update_torch_dtype
< 源代码 >( torch_dtype: torch.dtype )
某些量化方法需要将模型的数据类型显式设置为目标数据类型。如果您想确保保留该行为,则需要重写此方法
此方法用于潜在地检查 from_pretrained
中传递的参数是否存在潜在冲突。您需要为所有与 transformers 集成的未来量化器定义它。如果不需要显式检查,则只需返回 nothing。
HqqConfig
类 transformers.HqqConfig
< 源代码 >( nbits: int = 4 group_size: int = 64 quant_zero: bool = True quant_scale: bool = False offload_meta: bool = False view_as_float: bool = False axis: int = 0 dynamic_config: Optional = None skip_modules: List = ['lm_head'] **kwargs )
参数
- nbits (
int
,可选,默认为 4) — 位数。支持的值为 (8, 4, 3, 2, 1)。 - group_size (
int
,可选,默认为 64) — 组大小值。支持的值为任何可被 weight.shape[axis] 整除的值。 - quant_zero (
bool
,可选,默认为True
) — 如果设置为True
,则量化零点。 - quant_scale (
bool
,可选,默认为False
) — 如果设置为True
,则量化缩放比例。 - offload_meta (
bool
,可选,默认为False
) — 如果设置为True
,则将元数据卸载到 CPU。 - view_as_float (
bool
,可选,默认为False
) — 如果设置为True
,则将量化权重视为浮点数(用于分布式训练)。 - axis (
int
,可选,默认为 0) — 执行分组的轴。支持的值为 0 或 1。 - dynamic_config (dict,可选) — 动态配置的参数。键是层的名称标签,值是量化配置。如果设置,则每个由其 ID 指定的层将使用其专用的量化配置。
- skip_modules (
List[str]
, 可选, 默认为['lm_head']
) — 要跳过的nn.Linear
层列表。 - kwargs (
Dict[str, Any]
, 可选) — 用于初始化配置对象的附加参数。
这是 hqq 的 BaseQuantizeConfig 的包装器。
安全检查器,用于检查参数是否正确 - 还会将一些 NoneType 参数替换为其默认值。
从配置中删除与默认配置属性对应的所有属性,以便于阅读并将序列化为 Python 字典。
FbgemmFp8Config
类 transformers.FbgemmFp8Config
< 来源 >( activation_scale_ub: float = 1200.0 modules_to_not_convert: Optional = None **kwargs )
这是一个关于所有可能属性和特征的包装类,您可以使用 fbgemm fp8 量化加载的模型来使用这些属性和特征。
CompressedTensorsConfig
类 transformers.CompressedTensorsConfig
< 源代码 >( config_groups: Dict = None format: str = 'dense' quantization_status: QuantizationStatus = 'initialized' kv_cache_scheme: Optional = None global_compression_ratio: Optional = None ignore: Optional = None sparsity_config: Dict = None quant_method: str = 'compressed-tensors' **kwargs )
参数
- config_groups (
typing.Dict[str, typing.Union[ForwardRef('QuantizationScheme'), typing.List[str]]]
, 可选) — 将组名映射到量化方案定义的字典 - format (
str
, 可选, 默认为"dense"
) — 模型表示的格式 - quantization_status (
QuantizationStatus
, 可选, 默认为"initialized"
) — 模型在量化生命周期中的状态,例如“初始化”、“校准”、“冻结” - kv_cache_scheme (
typing.Union[QuantizationArgs, NoneType]
, 可选) — 指定键值缓存的量化。如果为 None,则不量化键值缓存。 - global_compression_ratio (
typing.Union[float, NoneType]
,可选) — 模型压缩百分比,0-1 之间的浮点数 - ignore (
typing.Union[typing.List[str], NoneType]
,可选) — 不进行量化的层名称或类型,支持以“re:”为前缀的正则表达式 - sparsity_config (
typing.Dict[str, typing.Any]
,可选) — 稀疏压缩的配置 - quant_method (
str
,可选,默认为"compressed-tensors"
) — 请勿覆盖,应为 compressed-tensors
这是一个包装类,用于处理 compressed-tensors 量化配置选项。它是 compressed_tensors.QuantizationConfig
的包装器
from_dict
< 源代码 >( config_dict return_unused_kwargs = False **kwargs ) → QuantizationConfigMixin
从 Python 参数字典实例化 CompressedTensorsConfig。可选地从嵌套的 quantization_config 中解包任何参数
从配置中删除与默认配置属性对应的所有属性,以便于阅读并将序列化为 Python 字典。
TorchAoConfig
class transformers.TorchAoConfig
< source >( quant_type: str modules_to_not_convert: Optional = None **kwargs )
参数
- quant_type (
str
) — 我们想要使用的量化类型,目前支持:int4_weight_only
、int8_weight_only
和int8_dynamic_activation_int8_weight
。 - modules_to_not_convert (
list
, 可选, 默认值为None
) — 不进行量化的模块列表,这对于量化明确要求某些模块保持原始精度的模型很有用。 - kwargs (
Dict[str, Any]
, 可选) — 所选量化类型的关键字参数,例如,int4_weight_only 量化目前支持两个关键字参数group_size
和inner_k_tiles
。更多 API 示例和参数文档可以在 https://github.com/pytorch/ao/tree/main/torchao/quantization#other-available-quantization-techniques 中找到
这是一个用于 torchao 量化/稀疏化技术的配置类。
示例
quantization_config = TorchAoConfig("int4_weight_only", group_size=32)
# int4_weight_only quant is only working with *torch.bfloat16* dtype right now
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="cuda", torch_dtype=torch.bfloat16, quantization_config=quantization_config)
安全检查器,用于检查参数是否正确 - 还会将一些 NoneType 参数替换为其默认值。