大模型推理加速技术的学习路线是什么？看完这篇就够了

本文链接：https://blog.csdn.net/CSDN_224022/article/details/143771822

简介

此文章介绍一种新型量化量化方式，EfficientQAT。大语言模型的4-bit量化相对来说已经较为成熟，掉点少。近期，众多工作聚焦于推进2-bit量化。考虑到均匀（INT）量化的显著性能损失，近期领域内主要关注vector量化，例如用于2-bit精确量化的 AQLM [1] 和 QUIP# [2]。但他们[1,2]或是引入额外不可忽略的计算开销，或是数据格式难以实现实际加速，给部署带来了诸多挑战。

在EfficentQAT中，我们致力于突破INT量化的局限性。如下图1所示，我们在保持INT量化容易落地部署的特性下，成功地使INT量化达到与vector量化相当的性能。特别是，EfficientQAT 可以在 41 小时内在单个 A100-80GB GPU 上完成对 2-bit Llama-2-70B 模型的量化感知训练。与全精度模型相比，精度仅下降了不到 3%（69.48 vs. 72.41）。值得注意的是，该 INT2 量化的70B 模型比 Llama-2-13B 模型获得了 1.67 的精度增益（69.48 vs. 67.81），同时需要更少的内存（19.2GB vs. 24.2GB）。

图1 方法性能总览

背景

为了更好得理解量化操作是如何加速大语言模型(Large Language Models, LLMs)的，我们首先介绍模型推理过程中的计算瓶颈。

图1 一个操作(如矩阵乘法等)在硬件上的执行过程[3]。

如图1所示，一个操作的计算时间可以分为两大块的和，分别是数据处理时间以及计算执行时间。为了更好的理解计算瓶颈是在数据搬运还是在计算执行上，我们引入一个经典的roofline性能分析模型。如图2所示，x轴是计算密度，即每秒计算次数和每秒数据搬运次数的比值；y轴即每秒可以完成的计算次数 (Operation Per Seconds, OPS)。从图2我们可以看出，当计算密度低时，操作就是内存密集型 (memory-bound), 通过减少数据搬运开销，增大计算密度，可以显著增加OPS，实现推理加速的目的。

图2 Roofline模型。以NVIDIA A6000上的FP16计算为例[3]。

值得注意的是，LLMs的推理可以分为两个阶段，Prefilling阶段和Decoding阶段。我们主要关注占据大部分时间的Decoding阶段，此时LLMs执行的是逐token的自回归推理。计算每个token所需要的计算量低，但是却需要搬运整个模型的权重，导致计算密度低，即模型属于memory-bound。因此，一种直接的加速手段，也即本文的研究对象，就是weight-only quantization：通过降低weight的bit数，以同时实现推理时的显存减少和推理速度提升。

方法

如前文所述，INT2 量化会带来显著的性能损失。一种可能的解决方案是Quantization-Aware Training (QAT):

图3 QAT示例图

如图3所示，QAT需要同时端到端的训练整个网络的所有权重以及量化参数，导致内存开销大，以及对数据质量的要求高。近期的工作BitNet b1.58 [4]证明了3值QAT也能达到和FP模型类似的精度。但是，由于QAT的巨大训练开销，导致BitNet b1.58也仅在3B模型以及100B训练tokens上进行了验证。总的来说，QAT是提升量化模型的有效手段，但巨大的训练开销阻碍了其应用。

为了解决QAT的高训练开销问题，我们提出平替版，EfficientQAT：

图4 EfficientQAT 示例图

如图4所示，EfficientQAT的主要思路有两点：

将整体的End-to-End Training解耦成同时包含Block-wise Training 和 End-to-End Training的两阶段训练方式。
将weight的更新限制在Block-wise Training阶段。

具体而言，引入Block-wise Training的思路主要follow此前的工作BRECQ [5] 和OmniQuant [4], 旨在通过此细粒度的Block-wise MSE重建监督降低对数据量的需求。同时，我们发现，在Block-wise Training阶段，简单的直接优化权重和相关量化参数即可获得最优性能。无需像此前的PTQ方法一样设计rounding parameters [6,7] 或者clipping parameters [4]以约束解空间防过拟合。由于此Block-wise Training 阶段所有参数被同时训练，我们将其称为：Block-wise Training with All Parameters (Block-AP)。

进一步的，我们希望对网络进行端到端训练以实现进一步降低量化损失的能力，以及实现支持模型adapt到任意数据集的能力。基于此，我们提出End-to-End Training with Quantization Parameters (E2E-QP)。 我们首先对Block-AP量化后的低bit模型进行pack，使得其可以用更少的内存读取，降低训练内存开销。其次，我们发现，在小数据的End-to-End training上，单独训练量化参数 step size (s), zero point (z) 或者两者同时训都能达到类似的性能，但是训练z需要将其从低bit的表现形式转化回fp16，引入了额外的存储开销。基于此，在E2E-QP阶段，我们选择只训练量化参数s。

实验结果

训练数据 Block-AP阶段采用来自RedPajama数据集的4096个长度为2048的片段，E2E-QP阶段采用来自RedPajama数据集的4096个长度为4096的片段。

表1 zero-shot tasks 性能对比

表2 Perplexity 性能对比

如表1和表2所示，EfficientQAT 在低bit 场景相较于此前的uniform量化方案性能优势明显，同时产生于vector量化方案comparable的结果。需要注意的是，表中加粗并不表示最优，因为大多数情况下，性能最优方案是vector量化，但需要注意的是他们是以难以部署为代价，如此前的图1所示。同时，值得注意的是，Llama-3的量化难度或者量化敏感性显著高于Llama-2，和此前的文献[3]观察类似。

表3 和QAT方法的对比

表3给出了EfficientQAT和此前的一些LLM QAT方案的对比。

表4 和量化高效参数微调方法的对比

通过修改E2E-QP阶段的数据集，EfficientQAT也可以实现和此前Q-LoRA [9]系列工作, 即量化版parameter-efficient fine-tuning。但值得注意的是EfficientQAT不需要引入额外的LoRA模块，其本身训练的量化参数即可视为Adapter。如表4所示，可以发现EfficientQAT显著优于此前的方案，我们将性能优势其归因为Block-AP阶段量化的初始化。

表5 训练开销

表6 推理加速

表5和表6分别呈现了EfficientQAT的量化开销以及推理加速。更多实验以及分析可以参见原文。

总结

在本研究中，我们引入了EfficientQAT，它在内存使用和训练时间上均提高了量化感知训练（QAT）的效率。经过全面测试，EfficientQAT在多样性和性能方面超越了现有的后训练量化（PTQ）、量化感知训练（QAT）以及量化参数高效微调（Q-PEFT）方法，适用于不同模型和量化级别。此外，EfficientQAT利用标准均匀量化，这简化了使用现有工具箱进行部署的过程。