本文介紹了可提升大語言模型的訓練后量化表現(xiàn)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(yōu)勢。此方法已整合至英特爾Neural Compressor¹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(jīng)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 TensorFlow²、PyTorch、英特爾Extension for PyTorch³、ONNX Runtime 和 MXNet等主流框架，都能與之兼容。

英特爾 Neural Compressor已經(jīng)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(shù)據(jù)中心GPU Flex 系列⁶和英特爾數(shù)據(jù)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(shù)據(jù)集進行訓練，可能擁有數(shù)十億權重參數(shù)。其先進的網(wǎng)絡結構和龐大的參數(shù)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(diào)優(yōu)，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(zhàn)

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

AI 與內(nèi)存墻⁹瓶頸問題：算力每兩年提高 3.1 倍，內(nèi)存帶寬卻只提高 1.4 倍；

網(wǎng)絡帶寬挑戰(zhàn)：訓練大語言模型需要采用分布式系統(tǒng)，這對網(wǎng)絡帶寬提出了較高要求；

系統(tǒng)資源有限：訓練后的模型往往會部署在算力和內(nèi)存資源均有限的系統(tǒng)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(xiàn)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(nèi)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(zhuǎn)換為整數(shù)矩陣：

其中 X_fp32、S 和 Z 分別為輸入矩陣、比例因子和整數(shù)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：SPIQ¹¹、OutlierSuppression¹² 和 SmoothQuant¹³。這三種方法思路相似，即把激活值量化的難度轉(zhuǎn)移到權重量化上，只是三者在轉(zhuǎn)移難度的多少上有所不同。 ?增強型 SmoothQuant SmoothQuant 引入了一個超參數(shù) 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(shù)模型來說，α=0.5 是一個能夠較好實現(xiàn)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(zhuǎn)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(diào)優(yōu)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(diào)函數(shù) register_forward_hook 捕獲 (hook) 模型各層的輸入和輸出值。

2. 根據(jù)用戶定義的 α 范圍和步長生成一個 α 值列表。

3. 根據(jù)給定的 α 值重新計算平滑因子并調(diào)整參數(shù)（權重值和激活值）。

4. 對權重執(zhí)行每通道量化與反量化 (quantization_dequantization)，對輸入值執(zhí)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(diào)整后的參數(shù)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(fā)現(xiàn)，將 α 范圍設為 [0.3, 0.7]，步長設為 0.05，對大多數(shù)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(zhí)行 SmoothQuant α 值自動調(diào)優(yōu)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(shù)據(jù)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 模型¹⁴時將 torchscript 設置為 True，或?qū)?return_dict 設置為 False。更多信息請參閱英特爾Neural Compressor 文檔¹⁰。 ?

結果

本文提出的增強型 SmoothQuant 的主要優(yōu)勢在于提高了準確率。 經(jīng)過對多種主流大語言模型的評估，具備自動調(diào)優(yōu)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(nèi)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¹⁰。同時，也歡迎您創(chuàng)建拉取請求或就 GitHub 問題¹⁵發(fā)表評論。期待聽到您的反饋意見和建議。 作者

他們都在從事模型量化
及壓縮的研究與優(yōu)化工作

沈海豪：英特爾公司人工智能資深架構師 程文華：英特爾公司人工智能資深軟件工程師 陸崟彤、何欣、郭恒、王暢、王夢妮：英特爾公司人工智能軟件工程師

注釋：

本文主要介紹在英特爾平臺上提升大語言模型的訓練后量化表現(xiàn)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(yōu)勢。本文中列出的鏈接和資源。需要說明的是，將SmoothQuant適配到英特爾平臺并實現(xiàn)它在英特爾平臺上的增強，是英特爾的原創(chuàng)。

1.英特爾Neural Compressor

https://www.intel.cn/content/www/cn/zh/developer/tools/oneapi/neural-compressor.html2.英特爾Extension for TensorFlowhttps://www.intel.cn/content/www/cn/zh/developer/tools/oneapi/optimization-for-tensorflow.html3.英特爾Extension for PyTorchhttps://www.intel.cn/content/www/cn/zh/developer/tools/oneapi/optimization-for-pytorch.html4.英特爾至強可擴展處理器https://www.intel.cn/content/www/cn/zh/products/details/processors/xeon/scalable.html5.英特爾至強CPU Max 系列https://www.intel.cn/content/www/cn/zh/products/details/processors/xeon/max-series.html6.英特爾數(shù)據(jù)中心 GPU Flex 系列https://www.intel.cn/content/www/cn/zh/products/details/discrete-gpus/data-center-gpu/flex-series.html7.英特爾數(shù)據(jù)中心 GPU Max 系列https://www.intel.com/content/www/us/en/products/details/discrete-gpus/data-center-gpu/max-series.html8. 第四代英特爾至強可擴展處理器https://www.intel.cn/content/www/cn/zh/events/accelerate-with-xeon.html9. AI 與內(nèi)存墻https://medium.com/riselab/ai-and-memory-wall-2cb4265cb0b810. SmoothQuant 相關文檔 /英特爾Neural Compressor 文檔 / GitHub 存儲庫https://github.com/intel/neural-compressor/blob/master/docs/source/smooth_quant.md11. SPIQhttps://arxiv.org/abs/2203.1464212. Outlier Suppressionhttps://arxiv.org/abs/2209.1332513. SmoothQuanthttps://arxiv.org/abs/2211.1043814. Hugging Face 模型https://huggingface.co/models15. GitHub 問題https://github.com/intel/neural-compressor/issues