GPTQ (Gradient-based Post-training Quantization) 是一种针对大规模预训练模型的高效后量化算法 (Post-Training Quantization, PTQ)。其主要目标是在不重新训练模型的情况下,将大模型模型权重量化到低比特(如4-bit或更低),同时尽可能保持模型的性能。
GPTQ 的核心思想是通过最小化量化引入的输出误差,实现高精度低比特量化。具体来说,GPTQ 在后量化过程中,针对每一层的权重矩阵,利用一小部分校准数据,最小化量化前后模型输出的差异。其量化算法的基本步骤如下:
为了降低计算复杂度,GPTQ 采用了逐列优化的方法。将权重矩阵 W 的列表示为 wi,对每一列进行量化,同时考虑之前列量化引入的误差累积。逐列量化的具体步骤如下:
在量化过程中,GPTQ 可以采用多种量化策略,如对称量化、非对称量化、均匀量化等。同时,量化器需要满足硬件的限制,确保量化后的值在表示范围内。
逐列优化的主要优势在于:
BNB 主要实现了8-bit和4-bit的量化,支持在GPU上高效运行,BNB 采用了定点量化的方法,将浮点数映射到低比特的整数表示。其不足点主要体现在下面两点:
AWQ 量化考虑了激活值对权重量化的影响,通过联合优化权重和激活函数,实现更精细的量化。但其复杂度高:联合优化权重和激活函数,增加了实现和调试的复杂度。
下面展示使用 GPTQ 对模型进行量化的示例代码。
pip install transformers
pip install accelerate
pip install auto-gptq
import torch
from transformers import AutoTokenizer
from auto_gptq import AutoGPTQForCausalLM, BaseQuantizeConfig
# 指定模型名称
model_name_or_path = "gpt2"
# 定义量化配置
quantize_config = BaseQuantizeConfig(
bits=4, # 量化到4-bit
group_size=128, # 分组大小,通常为128或None
desc_act=False, # 是否禁用激活函数的量化
)
# 加载模型并进行量化
model = AutoGPTQForCausalLM.from_pretrained(
model_name_or_path,
quantize_config=quantize_config,
use_triton=False # 如果安装了triton加速器,可设为True
)
# 加载分词器
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, use_fast=True)
# 保存量化后的模型
save_directory = "gpt2-quantized"
model.save_quantized(save_directory)
tokenizer.save_pretrained(save_directory)
# 加载量化后的模型
model_quantized = AutoGPTQForCausalLM.from_quantized(
save_directory,
use_safetensors=True,
device="cuda:0" if torch.cuda.is_available() else "cpu",
use_triton=False,
)
# 加载分词器
tokenizer = AutoTokenizer.from_pretrained(save_directory, use_fast=True)
# 准备输入
input_text = "今天天气如何?"
inputs = tokenizer(input_text, return_tensors="pt")
# 将输入移动到模型设备
inputs =
# 生成输出
with torch.no_grad():
output_ids = model_quantized.generate(
**inputs,
max_new_tokens=50,
do_sample=True,
temperature=0.7,
)
# 解码输出
output_text = tokenizer.decode(output_ids[0], skip_special_tokens=True)
print(output_text)
其中:
bits
、group_size
等参数;需要注意的是,某些大型模型(如Llama系列)使用了自定义的模型结构,需要在加载时设置 trust_remote_code=True
。
好了,以上分享了 解读大模型量化算法之 GPTQ,希望我的分享能对你的学习有一点帮助。
好文章,需要你的鼓励
CIO们正面临众多复杂挑战,其多样性值得关注。除了企业安全和成本控制等传统问题,人工智能快速发展和地缘政治环境正在颠覆常规业务模式。主要挑战包括:AI技术快速演进、IT部门AI应用、AI网络攻击威胁、AIOps智能运维、快速实现价值、地缘政治影响、成本控制、人才短缺、安全风险管理以及未来准备等十个方面。
北航团队发布AnimaX技术,能够根据文字描述让静态3D模型自动生成动画。该系统支持人形角色、动物、家具等各类模型,仅需6分钟即可完成高质量动画生成,效率远超传统方法。通过多视角视频-姿态联合扩散模型,AnimaX有效结合了视频AI的运动理解能力与骨骼动画的精确控制,在16万动画序列数据集上训练后展现出卓越性能。
过去两年间,许多组织启动了大量AI概念验证项目,但失败率高且投资回报率令人失望。如今出现新趋势,组织开始重新评估AI实验的撒网策略。IT观察者发现,许多组织正在减少AI概念验证项目数量,IT领导转向商业AI工具,专注于有限的战略性目标用例。专家表示,组织正从大规模实验转向更专注、结果导向的AI部署,优先考虑能深度融入运营工作流程并产生可衡量结果的少数用例。
这项研究解决了AI图片描述中的两大难题:描述不平衡和内容虚构。通过创新的"侦探式追问"方法,让AI能生成更详细准确的图片描述,显著提升了多个AI系统的性能表现,为无障碍技术、教育、电商等领域带来实用价值。