【AI实战】llama.cpp 量化部署 llama-33B
- llama.cpp 量化介绍
- 环境配置
- 安装 llama.cpp
- 拉取 llama.cpp 仓库代码
- 编译llama.cpp
- 生成量化版本模型
- 模型准备
- 将上述.pth模型权重转换为ggml的FP16格式
- 对FP16模型进行4-bit量化
- 推理速度测试
- 加载并启动模型
- 量化方法选择及推理速度
- 33B推理速度表格
- 参考
llama.cpp 量化介绍
量化模型是将模型中的高精度浮点数转化成低精度的int或其他类型得到的新的,花销更小,运行更快的模型。
Inference of LLaMA model in pure C/C++。
llama.cpp 运行期占用内存更小,推断速度也更快,同样的模型,7B 基础模型举例,32位浮点数的模型占用空间 27G,llama.cpp 量化后占用内存 9G 左右,推断速度为15字/秒。
对于使用 LLaMA 模型来说,无论从花销还是使用体验,量化这个步骤是不可或缺的。
环境配置
环境配置过程详情参考我的这篇文章;
【AI实战】从零开始搭建中文 LLaMA-33B 语言模型 Chinese-LLaMA-Alpaca-33B
llama-33B 模型下载、合并方法也是参考这篇文章:
【AI实战】从零开始搭建中文 LLaMA-33B 语言模型 Chinese-LLaMA-Alpaca-33B
得到的模型保存路径:“./Chinese-LLaMA-33B”
安装 llama.cpp
拉取 llama.cpp 仓库代码
git clone https://github.com/ggerganov/llama.cpp
编译llama.cpp
使用GPU执行【推荐】:
cd llama.cppmake LLAMA_CUBLAS=1
使用CPU执行【安装简单】:
cd llama.cppmake
生成量化版本模型
模型准备
将合并模型(选择生成pth格式模型)中最后一步生成的tokenizer.model文件放入zh-models目录下,模型文件consolidated.*.pth和配置文件params.json放入zh-models/33B目录下。
执行:
mkdir zh-models/cp /notebooks/Chinese-LLaMA-Alpaca/Chinese-LLaMA-33B-pth/tokenizer.model zh-models/mkdir zh-models/33Bcp /notebooks/Chinese-LLaMA-Alpaca/Chinese-LLaMA-33B-pth/consolidated.0* zh-models/33B/cp /notebooks/Chinese-LLaMA-Alpaca/Chinese-LLaMA-33B-pth/params.json zh-models/33B/
其中:路径 /notebooks/Chinese-LLaMA-Alpaca/Chinese-LLaMA-33B-pth/ 是 pth 格式模型路径。
结果如下:
llama.cpp/zh-models/ - 33B/ - consolidated.00.pth- consolidated.01.pth- consolidated.02.pth- consolidated.03.pth- ggml-model-f16.bin- params.json - tokenizer.model
将上述.pth模型权重转换为ggml的FP16格式
执行:
python convert.py zh-models/33B/
生成文件路径为: zh-models/33B/ggml-model-f16.bin
对FP16模型进行4-bit量化
执行:
./quantize ./zh-models/33B/ggml-model-f16.bin ./zh-models/33B/ggml-model-q4_0.bin q4_0
生成量化模型文件路径为zh-models/33B/ggml-model-q4_0.bin
推理速度测试
加载并启动模型
./main -m zh-models/33B/ggml-model-q4_0.bin –color -f prompts/alpaca.txt -ins -c 2048 –temp 0.2 -n 256 –repeat_penalty 1.1
一些常用的参数:
-c 控制上下文的长度,值越大越能参考更长的对话历史(默认:512)-ins 启动类ChatGPT对话交流的instruction运行模式-f 指定prompt模板,alpaca模型请加载prompts/alpaca.txt-n 控制回复生成的最大长度(默认:128)-b 控制batch size(默认:8),可适当增加-t 控制线程数量(默认:4),可适当增加--repeat_penalty 控制生成回复中对重复文本的惩罚力度--temp 温度系数,值越低回复的随机性越小,反之越大--top_p, top_k 控制解码采样的相关参数
- 测试
量化方法选择及推理速度
相关结论:
- 默认的量化方法为q4_0,虽然速度最快但损失也是最大的,其余方法各有利弊,按实际情况选择
- 需要注意的是F16以及q8_0并不会因为增加线程数而提高太多速度
- 线程数-t与物理核心数一致时速度最快,超过之后速度反而变慢(M1 Max上从8改到10之后耗时变为3倍)
- 如果使用了Metal版本(即启用了苹果GPU解码),速度还会有进一步显著提升,表中标注为-ngl 1
- 综合推荐(仅供参考):7B推荐Q5_1或Q5_K_S,13B推荐Q5_0或Q5_K_S
- 机器资源够用且对速度要求不是那么苛刻的情况下可以使用q8_0或Q6_K,接近F16模型的效果
33B推理速度表格
- 其他大小的模型推理速度参考
https://github.com/ymcui/Chinese-LLaMA-Alpaca/wiki/llama.cpp%E9%87%8F%E5%8C%96%E9%83%A8%E7%BD%B2
参考
【AI实战】从零开始搭建中文 LLaMA-33B 语言模型 Chinese-LLaMA-Alpaca-33B
https://github.com/ymcui/Chinese-LLaMA-Alpaca
https://github.com/ymcui/Chinese-LLaMA-Alpaca/wiki/llama.cpp%E9%87%8F%E5%8C%96%E9%83%A8%E7%BD%B2
https://github.com/ggerganov/llama.cpp