目录
What?
LMDeploy
LMDeploy 由 MMDeploy 和 MMRazor 团队联合开发,是涵盖了 LLM 任务的全套轻量化、部署和服务解决方案。
这个强大的工具箱提供以下核心功能:
-
高效的推理:LMDeploy 开发了 Persistent Batch(即 Continuous Batch),Blocked K/V Cache,动态拆分和融合,张量并行,高效的计算 kernel等重要特性。推理性能是 vLLM 的 1.8 倍
-
可靠的量化:LMDeploy 支持权重量化和 k/v 量化。4bit 模型推理效率是 FP16 下的 2.4 倍。量化模型的可靠性已通过 OpenCompass 评测得到充分验证。
-
便捷的服务:通过请求分发服务,LMDeploy 支持多模型在多机、多卡上的推理服务。
-
有状态推理:通过缓存多轮对话过程中 attention 的 k/v,记住对话历史,从而避免重复处理历史会话。显著提升长文本多轮对话场景中的效率。
-
卓越的兼容性: LMDeploy 支持 KV Cache 量化, AWQ 和 Automatic Prefix Caching 同时使用。
量化
why?
随着模型变得越来越大,我们需要一些大模型压缩技术来降低模型部署的成本,并提升模型的推理性能。LMDeploy 提供了权重量化和 k/v cache两种策略。
Per-Head Per-Token 非对称量化
非对称量化是一种量化技术,用于将浮点数转换为整数,以减少模型的大小和计算复杂度。在大模型中,特别是在自然语言处理(NLP)领域,这种技术可以显著减少模型的存储和计算需求。
非对称量化
非对称量化通常涉及以下步骤
- 确定量化范围:确定需要量化的浮点数的范围。
- 选择量化参数:选择量化步长(scale)和零点(zero-point)。
- 量化:将浮点数映射到整数域。
- 反量化:在需要时将整数映射回浮点数域。
Per-Head Per-Token的非对称量化
在Transformer模型中,特别是BERT、GPT等大模型中,每个注意力头(attention head)和每个token都需要进行量化。Per-Head Per-Token的非对称量化意味着为每个注意力头和每个token分别计算量化参数。
-
步骤
- 为每个注意力头计算量化参数:每个注意力头的权重和激活值可能具有不同的分布,因此需要为每个头计算独立的量化参数。
- 为每个token计算量化参数:每个token的激活值也可能具有不同的分布,因此需要为每个token计算独立的量化参数。
-
优点
- 更高的精度:由于为每个头和每个token分别计算量化参数,可以更好地保留原始浮点数的分布特性,从而提高量化后的模型精度。
- 灵活性:可以根据不同头和token的特性进行定制化的量化,提高量化的灵活性。
-
挑战
- 计算复杂度:为每个头和每个token分别计算量化参数会增加计算复杂度。
- 存储需求:需要存储更多的量化参数,增加了存储需求。
实操
系统环境(仅参考)
- Intern Studio A100 50%算力(= 40g显存)
- ubuntu 20.04
- CUDA Version: 12.2
环境配置
教程
跟着 https://github.com/InternLM/Tutorial/blob/camp3/docs/L2/LMDeploy/readme.md 教程一步一步走即可,写的相当详细
由于我用的是Intern Studio预置的系统环境,因此整个过程中没有遇到任何坑~祝各位也一步到位
FAQ&注意事项
- 时间不是很充裕的话,选
internlm2_5-1_8b-chat
模型进行量化操作,按教程经验,7b模型要耗费≈8小时
运行过程截图
量化部署
- kv cache在线4bit量化
- 模型权重4bit量化