量化、剪枝、蒸餾，這些大模型黑話到底說了些啥？
量化、剪枝、蒸餾，如果你經常關注大語言模型，一定會看到這幾個詞，單看這幾個字，我們很難理解它們都干了些什么，但是這幾個詞對于現階段的大語言模型發展特別重要。這篇文章就帶大家來認識認識它們，理解其中的原理。
模型壓縮
量化、剪枝、蒸餾，其實是通用的神經網絡模型壓縮技術，不是大語言模型專有的。
模型壓縮的意義
通過壓縮，模型文件會變小，其使用的硬盤空間也會變小，加載到內存或者顯存時使用的緩存空間也會變小，并且模型的運行速度還可能會有一些提高。
通過壓縮，使用模型將消耗更少的計算資源，這可以極大的擴展模型的應用場景，特別是對模型大小和計算效率比較關注的地方，比如手機、嵌入式設備等。
壓縮的是什么？
壓縮的是模型的參數，模型的參數又是什么呢？
你可能聽說過現在的機器學習使用的都是神經網絡模型，神經網絡模型就是模擬人的大腦中的神經網絡。
這里我畫了一個簡單的示意圖，大家可以看看。
圖片
簡單起見，只描述三個神經元：A1、A2、A3，每個神經元都會接收別的神經元的信號，也會將信號傳遞給別的神經元。
其中A3會接收A1、A2傳遞過來的信號I_A1、I_A2，但是A3接收A1、A2信號的強度是不一樣的（這個強度稱為“權重”），假設這里的強度分別是W_13和W_23，A3會對接收到信號數據進行加工：
- 首先對信號進行加權求和，也就是 I_A1*W_13+I_A2*W_23，
- 然后再加上A3自己的一個參數 B_3（稱為“偏置”），
- 最后再把這個數據和轉換為特定的形式，并把轉換后的信號再發給下一個神經元。
在這個信號數據的加工過程中，用到的權重（W_13、W_23）和偏置（ B_3 ）就是模型的參數，當然模型還有其它一些參數，不過權重和偏置一般是所有參數中的大頭，如果用二八原則來劃分，應該都在80%以上。
使用大語言模型生成文本時，這些參數都已經是預訓練好的，我們并不能對它們進行修改，這就像數學中多項式的系數，我們只能傳遞未知數xyz進去，然后得到一個輸出結果。
模型壓縮就是對模型的這些參數進行壓縮處理，首要考慮的主要就是權重和偏置，使用的具體方法就是本文重點要介紹的量化、剪枝和蒸餾。
量化
量化就是降低模型參數的數值精度，比如最開始訓練出的權重是32位的浮點數，但是實際使用發現用16位來表示也幾乎沒有什么損失，但是模型文件大小降低一般，顯存使用降低一半，處理器和內存之間的通信帶寬要求也降低了，這意味著更低的成本、更高的收益。
這就像按照菜譜做菜，你需要確定每種食材的重量。你可以使用一個非常精確的電子秤，它可以精確到0.01克，這固然很好，因為你可以非常精確地知道每樣食材的重量。但是，如果你只是做一頓家常便飯，實際上并不需要這么高的精度，你可以使用一個簡單又便宜的秤，最小刻度是1克，雖然不那么精確，但是足以用來做一頓美味的晚餐。
圖片
量化還有一個好處，那就是計算的更快。現代處理器中通常都包含了很多的低精度向量計算單元，模型可以充分利用這些硬件特性，執行更多的并行運算；同時低精度運算通常比高精度運算速度快，單次乘法、加法的耗時更短。這些好處還讓模型得以運行在更低配置的機器上，比如沒有高性能GPU的普通辦公或家用電腦、手機等移動終端。
沿著這個思路，人們繼續壓縮出了8位、4位、2位的模型，體積更小，使用的計算資源更少。不過隨著權重精度的降低，不同權重的值會越來越接近甚至相等，這會降低模型輸出的準確度和精確度，模型的性能表現會出現不同程度的下降。
量化技術有很多不同的策略和技術細節，比如如動態量化、靜態量化、對稱量化、非對稱量化等，對于大語言模型，通常采用靜態量化的策略，在模型訓練完成后，我們就對參數進行一次量化，模型運行時不再需要進行量化計算，這樣可以方便地分發和部署。
剪枝
剪枝就是去掉模型中不重要的或者很少會用到的權重，這些權重的數值一般都接近于0。對于某些模型，剪枝可以產生比較高的壓縮比，讓模型更加緊湊和高效。這對于在資源受限的設備上或者內存和存儲有限的情況下部署模型特別有用。
剪枝還會增強模型的可解釋性。通過刪除不必要的組件，剪枝使模型的底層結構更加透明且更易于分析。這對于理解神經網絡等復雜模型的決策過程十分重要。
剪枝不僅涉及權重參數的剪枝，還可以剪除某些神經元節點，如下圖所示：
圖片
注意剪枝并非適合所有的模型，對于一些稀疏模型（大部份參數都為0或者接近于0），剪枝可能沒什么效果；對于一些參數比較少的小型模型，剪枝可能導致模型性能的明顯下降；對于一些高精度的任務或者應用，也不適合對模型進行剪枝，比如醫療診斷這種人命關天的事。
在實際運用剪枝技術時，通常需要綜合考慮剪枝對模型運行速度的提升和對模型性能的負面影響，采取一些策略，比如給模型中的每個參數打分，也就是評估參數對模型性能的貢獻有多大。分數高的，就是絕對不能剪掉的重要參數；分數低的，就是可能不那么重要，可以考慮剪掉的參數。這個分數可以通過各種方法計算，比如看參數的大小（絕對值大的通常更重要），或者通過一些更復雜的統計分析方法來確定。
蒸餾
蒸餾就是把大模型學習到的概率分布直接復制到一個小模型中。被復制的模型稱為教師模型，一般是參數量較大、性能很強的優秀模型，新模型稱為學生模型，一般是參數比較少的小模型。
蒸餾時，教師模型會根據輸入生成多個可能輸出的概率分布，然后學生模型學習這個輸入和輸出的概率分布情況。經過大量訓練，學生模型就可以模仿教師模型的行為，或者說學習到了教師模型的知識。
比如在圖像分類任務中，給出一張圖，教師模型可能會輸出類似如下的概率分布：
- 貓：0.7
- 狗：0.4
- 車：0.1
然后把這張圖和輸出的概率分布信息一起提交給學生模型進行模仿學習。
圖片
因為蒸餾是把教師模型的知識壓縮到一個更小更簡單的學生模型中，新的模型可能會丟失一些信息；另外學生模型可能過度依賴教師模型，導致模型的泛化能力不佳。
為了讓學生模型的學習效果更好，我們可以采用一些方法和策略。
引入溫度參數：假設有一位老師講課速度非常快，信息密度很高，學生可能有點難以跟上。這時如果老師放慢速度，簡化信息，就會讓學生更容易理解。在模型蒸餾中，溫度參數起到的就是類似“調節講課速度”的作用，幫助學生模型（小模型）更好地理解和學習教師模型（大模型）的知識。專業點說就是讓模型輸出更加平滑的概率分布，方便學生模型捕捉和學習教師模型的輸出細節。
調整教師模型和學生模型的結構：一個學生想要從一個專家那里學點東西可能是很難的，因為他們之間的知識差距太大，直接學習可能會聽不懂，這時候可以在中間加入一個老師，它既能理解專家的話，又能轉化為學生可以聽懂的語言。中間加入的這個老師可能是一些中間層或者輔助神經網絡，或者這個老師可以對學生模型進行一些調整，讓它能更匹配教師模型的輸出。
上邊我們介紹了三種主要的模型壓縮技術，其實這里邊還有很多的細節，不過對于理解原理差不多已經夠了，也還有其它一些模型壓縮技術，比如低秩分解、參數共享、稀疏連接等，有興趣的同學可以多去查查相關內容。
另外模型壓縮后，其性能可能會出現比較明顯的下降，此時我們可以對模型進行一些微調，特別是一些對模型精度要求比較高的任務，比如醫學診斷、金融風控、自動駕駛等，微調可以讓模型的性能得到一定的恢復，穩固其在某些方面的準確性和精確性。
談到模型微調，最近我在AutoDL上分享了一個 Text Generation WebUI 的鏡像，Text Generation WebUI 是一個使用Gradio編寫的Web程序，可以方便的對大語言模型進行推理、微調，支持多種類型的大語言模型，包括Transformers、llama.cpp（GGUF）、GPTQ、AWQ、EXL2等多種格式的模型，在最新的鏡像中，我已經內置了Meta最近開源的 Llama3 大模型，感興趣的同學可以去體驗下，使用方法參見：十分鐘學會微調大語言模型
圖片
參考文章：
https://zhuanlan.zhihu.com/p/75879624
https://medium.com/fintechexplained/neural-networks-bias-and-weights-10b53e6285da
https://botpenguin.com/glossary/pruning
https://www.sciencedirect.com/science/article/abs/pii/S0925231221011917
https://medium.com/@jan_marcel_kezmann/master-the-art-of-quantization-a-practical-guide-e74d7aad24f9
