BigDL-LLM
BigDL-LLM是基于英特尔 XPU(如CPU、GPU)平台的开源大模型加速库,它使用低比特优化(如FP4/INT4/NF4/FP8/INT8)及多种英特尔 CPU/GPU集成的硬件加速技术,以极低的延迟运行和微调大语言模型。
BigDL-LLM支持标准的PyTorch API(如 HuggingFace Transformers 和 LangChain)和大模型工具(如HuggingFace PEFT、DeepSpeed、vLLM等),可助力 AI 开发者和研究者在英特尔平台(笔记本、工作站、服务器和GPU)上高效开发、加速大语言模型算法和应用。
官网样例
按照官网给定的快速实践样例, 借助 BigDL-LLM 完成模型加速优化的过程异常简单,只需更改一行代码,就可以立即观察到显著的加速效果。
我们选择的模型是ChatGLM3-6b,这是官网给出的样例。
import torch
import time
import argparse
import numpy as np
from bigdl.llm.transformers import AutoModel
from transformers import AutoTokenizer
# you could tune the prompt based on your own model,
# here the prompt tuning refers to https://github.com/THUDM/ChatGLM3/blob/main/PROMPT.md
CHATGLM_V3_PROMPT_FORMAT = "<|user|>\n{prompt}\n<|assistant|>"
if __name__ == '__main__':
parser = argparse.ArgumentParser(description='Predict Tokens using `generate()` API for ChatGLM3 model')
parser.add_argument('--repo-id-or-model-path', type=str, default="THUDM/chatglm3-6b",
help='The huggingface repo id for the ChatGLM3 model to be downloaded'
', or the path to the huggingface checkpoint folder')
parser.add_argument('--prompt', type=str, default="AI是什么?",
help='Prompt to infer')
parser.add_argument('--n-predict', type=int, default=32,
help='Max tokens to predict')
args = parser.parse_args()
model_path = args.repo_id_or_model_path
# Load model in 4 bit,
# which convert the relevant layers in the model into INT4 format
model = AutoModel.from_pretrained(model_path,
load_in_4bit=True,
trust_remote_code=True)
# Load tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_path,
trust_remote_code=True)
# Generate predicted tokens
with torch.inference_mode():
prompt = CHATGLM_V3_PROMPT_FORMAT.format(prompt=args.prompt)
input_ids = tokenizer.encode(prompt, return_tensors="pt")
st = time.time()
output = model.generate(input_ids,
max_new_tokens=args.n_predict)
end = time.time()
output_str = tokenizer.decode(output[0], skip_special_tokens=True)
print(f'Inference time: {end-st} s')
print('-'*20, 'Prompt', '-'*20)
print(prompt)
print('-'*20, 'Output', '-'*20)
print(output_str)
从这段代码,的确能感受到 BigDL-LLM 的便捷性。
- 针对hugging-face的 transformers 库进行优化,只需要导入
bigdl.llm.transformers
中类似的AutoModel
类,就可以实现轻量加载。 - BigDL-LLM 为开发人员提供了简洁的接口,完成文本生成只需要使用
model.generate()
方法。
实践部分
封装类
为了便于后续的开发使用,我们将其封装为一个类。可以看到,代码非常简洁明了。(当然,目前是比较原始的版本,还未做异常处理和更完善的设计)。
class ChatGLM3Extractor(object):
"""
Generate text
by ChatGLM-3-6b and optimized by BigDL-LLM.
"""
def __init__(self, model_path):
# define chatglm-3 prompt with conversation
self.CHATGLM_V3_PROMPT_FORMAT_TEMPLATE = "<|user|>\n{prompt}\n<|assistant|>"
# loading 4 bit glm-3 model
self.model = AutoModel.from_pretrained(model_path,
load_in_4bit=True,
trust_remote_code=True)
self.tokenizer = AutoTokenizer.from_pretrained(model_path,
trust_remote_code=True)
def extract(self, res_result, prefix_string=""):
"""extract useful numeric field"""
# prompt creating
prompt = f'{res_result}。{prefix_string}'
n_predict = 512
with torch.inference_mode():
# chatglm-3 inference
prompts = self.CHATGLM_V3_PROMPT_FORMAT_TEMPLATE.format(prompt=prompt)
input_ids = self.tokenizer.encode(prompts, return_tensors="pt")
st = time.time()
output = self.model.generate(input_ids,
max_new_tokens=n_predict)
end = time.time()
output_str = self.tokenizer.decode(output[0], skip_special_tokens=True)
print(f'Inference time: {end - st} s')
print('-' * 20, 'Prompt', '-' * 20)
print(prompts)
print('-' * 20, 'Output', '-' * 20)
print(output_str)
return output_str
测试代码
测试部分,我们加载开源的模型权重。询问模型 “BigDL-LLM是什么?” 。
chatglm3_model = ChatGLM3Extractor("./chatglm3-6b")
question = "BigDL-LLM是什么?"
response = chatglm3_model.extract(res)
测试效果
我们直接在CPU设备上加载模型并进行推理,我们的CPU规格是Intel Xeon Gold 5218 (6) @ 2.294GHz
。
无论是效果还是性能,都是不错的。
有些人可能认为12s的推理速度是否过慢,但理论上来说,这已经足够快了。原因主要有两点,
- 推理全部在CPU设备进行;
- 我们采用的是同步输出结果的方式,即得到答案才输出完整文本,而实际使用中,更多的是流式输出,即逐字输出。
总结
整体而言,我们对 BigDL-LLM 的实践过程流畅如行云流水,过程中并未遇到任何阻碍。毫无疑问,BigDL-LLM 作为一个开源库的可行性得到了验证,其简洁的开发使用方式显著提升了开发人员的效率。
然而,尽管 BigDL-LLM 有其优点,但我们也发现了一些不足之处:
-
适配性不足
我们对Qwen的多个版本进行了测试,发现其中一些版本并未得到优化。这可能是由于模型设计时的问题(例如,Qwen的某个版本在预训练时已经使用了量化加速方法,该方法需要在GPU设备上进行加速,但我们在CPU设备上加载并测试了该模型),导致该模型无法被 BigDL-LLM 加速。当然,这也可能是 BigDL-LLM 本身在适配性上的缺陷。
-
模型性能下降
当我们使用原始的 transformers 库测试ChatGLM3-6b时,我们发现其生成效果似乎优于经过 BigDL-LLM 加速后的版本。虽然我们知道加速版本的性能可能会有所下降,但有时候性能的下降过于明显,甚至有时生成的内容与提问的内容完全不符。
相关链接
transformers :https://github.com/huggingface/transformers
ChatGLM3-6b:https://www.modelscope.cn/models/ZhipuAI/chatglm3-6b/summary
BigDL-LLM 的官方样例:https://github.com/intel-analytics/BigDL/blob/main/python/llm/example/CPU/HF-Transformers-AutoModels/Model