LLM大模型2_量化

⚠️内存消耗提示（确保刷出来的机器RAM大于以下要求）：

• 7B模型：15G+
• 13B模型：18G+
• 33B模型：22G+

安装相关依赖

# python3.9
pip install peft==0.3.0 transformers==4.31.0 sentencepiece==0.1.97 bitsandbytes==0.39.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

合并模型（以LLaMA-2-7B为例）

合并LoRA，生成全量模型权重。可以直接指定🤗模型库的地址，也可以是本地存放地址。

• 基模型：meta-llama/Llama-2-7b-hf（注意需要官方授权）
  • 这里使用一个平替（SHA256一致）做演示：daryl149/llama-2-7b-hf
• LoRA模型：ziqingyang/chinese-llama-2-lora-7b
• 输出格式：可选pth或者huggingface，这里选择huggingface
• Llama-2的config中途有一次更新。因为本教程里使用的是第三方的权重，并没有及时更新对应的config.json文件。
• 请手动打开llama-2-7b-combined文件夹下的config.json（可直接双击打开），将max_position_embeddings字段由2048改为4096

git clone https://github.com/ymcui/Chinese-LLaMA-Alpaca-2.git
git clone https://github.com/ggerganov/llama.cpp

python ./Chinese-LLaMA-Alpaca-2/scripts/merge_llama2_with_chinese_lora_low_mem.py \
    --base_model ./chinese-alpaca-2-7b/ \
    --lora_model ./chinese-alpaca-2-lora-7b/ \
    --output_type huggingface\
    --output_dir llama-2-7b-combined

output_type : pth或huggingface

比对SHA256

完整值：https://github.com/ymcui/Chinese-LLaMA-Alpaca/blob/main/SHA256.md

其中本示例生成的Alpaca-7B的标准SHA256：

• fbfccc91183169842aac8d093379f0a449b5a26c5ee7a298baf0d556f1499b90

使用下述命令评测后发现两者相同，合并无误。

# macOS
shasum -a 256 <文件路径>

# Liunx
sha256sum <文件路径>

# win
CertUtil -hashfile "**\alpaca-combined\*-consolidated.*.pth" SHA256

量化模型

接下来我们使用llama.cpp工具对上一步生成的全量版本权重进行转换，生成4-bit量化模型。

这一步，我们将模型转换为ggml格式（FP16）。

• 在这之前需要把alpaca-combined目录挪个位置，把模型文件放到llama.cpp/zh-models/7B下，把tokenizer.model放到llama.cpp/zh-models

# 首先对llama.cpp工具进行编译。
# M1芯片 LLAMA_METAL=1 make
# 使用NVIDIA显卡 make LLAMA_CUBLAS=1
!cd llama.cpp && make

# 转换为ggml格式（FP16）
!cd llama.cpp && mkdir zh-models && mv ../alpaca-combined zh-models/7B
!mv llama.cpp/zh-models/7B/tokenizer.model llama.cpp/zh-models/
!ls llama.cpp/zh-models/

!cd llama.cpp && python convert.py zh-models/7B/

# 将FP16模型转换为4-bit量化模型，此处选择的是新版Q6_K方法
!cd llama.cpp && ./quantize ./zh-models/7B/ggml-model-f16.gguf ./zh-models/7B/ggml-model-q6_K.gguf q6_K

# 测试量化模型解码
!cd llama.cpp && ./main -m ./zh-models/7B/ggml-model-q6_K.bin --color -p "详细介绍一下北京的名胜古迹：" -n 128

• 运行

  #!/bin/bash
  
  # temporary script to chat with Chinese Alpaca-2 model
  # usage: ./chat.sh alpaca2-ggml-model-path your-first-instruction
  
  SYSTEM_PROMPT='You are a helpful assistant. 你是一个乐于助人的助手。'
  # SYSTEM_PROMPT='You are a helpful assistant. 你是一个乐于助人的助手。请你提供专业、有逻辑、内容真实、有价值的详细回复。' # Try this one, if you prefer longer response.
  MODEL_PATH=$1
  FIRST_INSTRUCTION=$2
  
  ./main -m "$MODEL_PATH" \
  --color -i -c 4096 -t 8 --temp 0.5 --top_k 40 --top_p 0.9 --repeat_penalty 1.1 \
  --in-prefix-bos --in-prefix ' [INST] ' --in-suffix ' [/INST]' -p \
  "[INST] <<SYS>>
  $SYSTEM_PROMPT
  <</SYS>>
  
  $FIRST_INSTRUCTION [/INST]"
  

• 调用API

  #!/bin/bash
  
  # NOTE: start the server first before running this script.
  # usage: ./server_curl_example.sh your-instruction
  
  SYSTEM_PROMPT='You are a helpful assistant. 你是一个乐于助人的助手。'
  # SYSTEM_PROMPT='You are a helpful assistant. 你是一个乐于助人的助手。请你提供专业、有逻辑、内容真实、有价值的详细回复。' # Try this one, if you prefer longer response.
  INSTRUCTION=$1
  ALL_PROMPT="[INST] <<SYS>>\n$SYSTEM_PROMPT\n<</SYS>>\n\n$INSTRUCTION [/INST]"
  CURL_DATA="{\"prompt\": \"$ALL_PROMPT\",\"n_predict\": 128}"
  
  curl --request POST \
      --url http://192.168.1.3:8080/completion \
      --header "Content-Type: application/json" \
      --data "$CURL_DATA"