本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

本文介紹了可提升大語言模型的訓練后量化表現的增強型 SmoothQuant 技術，說明了這項技術的用法，并證明了其在準確率方面的優勢。此方法已整合至英特爾^? Neural Compressor[1] 中。

英特爾^? Neural Compressor是一個包含量化、剪枝（稀疏性）、蒸餾（知識提煉）和神經架構搜索等多種常用模型壓縮技術的開源 Python 庫。

目前，諸如 TensorFlow、英特爾^? Extension for TensorFlow[2]、PyTorch、英特爾^? Extension for PyTorch[3]、ONNX Runtime 和 MXNet等主流框架，都能與之兼容。

英特爾^? Neural Compressor 已經支持多款英特爾^? 架構的硬件，比如英特爾^? 至強^? 可擴展處理器[4]、英特爾^? 至強^? CPU Max 系列[5]、英特爾^? 數據中心 GPU Flex 系列[6]和英特爾^? 數據中心 GPU Max 系列[7]。本文涉及的實驗基于第四代英特^? 至強^? 可擴展處理器[8]進行。

大語言模型

大語言模型 (Large Language Model, LLM) 需基于海量數據集進行訓練，可能擁有數十億權重參數。

其先進的網絡結構和龐大的參數量，使它們能夠很好地應對自然語言本身的復雜性。

完成訓練后的大語言模型，可針對各種下游的自然語言處理 (NLP) 和自然語言生成 (NLG) 任務進行調優，讓其更適合對話式聊天機器人（如 ChatGPT）、機器翻譯、文本分類、欺詐檢測和情感分析等任務場景。

大語言模型部署面臨的挑戰

大語言模型在執行自然語言處理和自然語言生成任務方面表現出色，但其訓練和部署頗為復雜，主要面臨以下挑戰：

• AI 與內存墻瓶頸問題[9]：算力每兩年提高 3.1 倍，內存帶寬卻只提高 1.4 倍；
• 網絡帶寬挑戰：訓練大語言模型需要采用分布式系統，這對網絡帶寬提出了較高要求；
• 系統資源有限：訓練后的模型往往會部署在算力和內存資源均有限的系統上。

因此，采用訓練后量化的方法來為大語言模型瘦身，對于實現低時延推理至關重要。

大語言模型的量化

量化是一種常見的壓縮操作，可以減少模型占用的內存空間，提高推理性能。

采用量化方法可以降低大語言模型部署的難度。具體來說，量化是將浮點矩陣轉換為整數矩陣：

其中 X_fp32、S 和 Z 分別為輸入矩陣、比例因子和整數零點。

有關每通道 (per-channel) 量化策略雖然可能會減少量化損失，但不能用于激活值量化的原因，請參看 SmoothQuant 相關文檔[10]。

不過，激活值量化誤差損失卻是導致模型量化準確率下降的重要因素。

為此，人們提出了很多方法來降低激活值量化損失，例如：SPIQ[11]、Outlier Suppression[12]和 SmoothQuant[13]。

這三種方法思路相似，即把激活值量化的難度轉移到權重量化上，只是三者在轉移難度的多少上有所不同。

增強型 SmoothQuant

SmoothQuant 引入了一個超參數 α 作為平滑因子來計算每個通道的量化比例因子，并平衡激活值和權重的量化難度。

其中 j 是輸入通道索引。

對于 OPT 和 BLOOM 等大多數模型來說，α=0.5 是一個能夠較好實現權重和激活值量化難度分割的平衡值。模型的激活異常值越大，就越需要使用更大的 α 值來將更多的量化難度轉移到權重上。

原始的 SmoothQuant 旨在通過針對整個模型使用一個固定值 α 來分割權重和激活值的量化難度。

然而，由于激活異常值的分布不僅在不同模型之間存在差異，而且在同一模型的不同層之間也不盡相同。

因此，本文推薦使用英特爾^? Neural Compressor 的自動調優能力，逐層獲取最佳 α 值。

相關方法包括以下五個主要步驟（偽代碼如下所示）：

1. 通過特殊的回調函數 register_forward_hook 捕獲 (hook) 模型各層的輸入和輸出值。
2. 根據用戶定義的 α 范圍和步長生成一個 α 值列表。
3. 根據給定的 α 值重新計算平滑因子并調整參數（權重值和激活值）。
4. 對權重執行每通道量化與反量化 (quantization_dequantization)，對輸入值執行每張量 (per-tensor) 量化與反量化，以預測與給定 α 值對應的每層輸出值。
5. 計算相對實際輸出值的均方損失，將調整后的參數恢復回來，并保存每層的最佳 α 值。

本文提出的方法支持用多個標準（如最小值、最大值和平均值）來確定 Transformer 塊的輸入層歸一化 (LayerNorm) 操作的 α 值。

實驗發現，將 α 范圍設為 [0.3, 0.7]，步長設為 0.05，對大多數模型來說都能達到很好的平衡。

這一方法有兩個顯著特點：一是全自動化，二是比原始方法支持的融合模式多。

下圖提供了在 BLOOM-1b7 模型上執行 SmoothQuant α 值自動調優的樣例代碼：

△啟用增強型 SmoothQuant 的樣例代碼

用戶只需傳遞一個模型名稱 (model_name) 和一個數據加載器。值得注意的是，模型分析主要依靠的是 Torch JIT。用戶可以在加載 Hugging Face[15]模型時將 torchscript 設置為 True，或將 return_dict 設置為 False。

更多信息請參閱英特爾^? Neural Compressor 文檔[15]。

結果

本文提出的增強型 SmoothQuant 的主要優勢在于提高了準確率。

經過對多種主流大語言模型的評估，具備自動調優能力的 INT8 SmoothQuant 最后一個詞元 (last-token) 的預測準確率要高于原始 INT8 SmoothQuant 和 FP32 基線方法。詳見下圖：

△FP32 基線方法、INT8（啟用和不啟用 SmoothQuant）以及 INT8（啟用本文提出的增強型 SmoothQuant）的準確率對比

從上圖可以看出，在 OPT-1.3b 和 BLOOM-1b7 模型上，本文提出的增強型 SmoothQuant 的準確率比默認的 SmoothQuant 分別高 5.4% 和 1.6%。

量化后的模型也縮小到 FP32 模型的四分之一，大大減少了內存占用空間，從而有效地提升大模型在英特爾^? 平臺上的推理性能。

更全面的結果請見 GitHub 存儲庫[16]。同時，也歡迎您創建拉取請求或就 GitHub 問題[17]發表評論。期待聽到您的反饋意見和建議。

了解更多內容，請點擊文末【閱讀原文】。

作者：

英特爾公司人工智能資深架構師沈海豪、英特爾公司人工智能資深軟件工程師程文華、英特爾公司人工智能軟件工程師陸崟彤、何欣、郭恒、王暢、王夢妮，他們都在從事模型量化及壓縮的研究與優化工作。