大模型应用调优案例集锦

目录：

实战篇

• 如何在英特尔® 平台上实现高效的大语言模型训练后量化
• 用基于英特尔® SGX 的可信执行环境有效应对大语言模型隐私和安全挑战
• 只改一行代码，在第四代至强® 可扩展平台上高效微调优化 ChatGLM-6B
• 创建 OpenVINO™ Stateful 模型与 Runtime 流水线，赋能 ChatGLM
• BigDL-LLM：在英特尔® 平台上加速大语言模型的便捷新利器
• 英特尔® Extension for Transformer 一石双鸟：让 LLM CPU 推理加速达 40x + 攻克聊天场景应用难题！

产品篇

• 第四代英特尔® 至强® 可扩展处理器
• 借助英特尔® 高级矩阵扩展 (英特尔® AMX) 加速人工智能 (AI) 工作负载
• 英特尔® 至强® CPU Max 系列
• 英特尔® 安全引擎助力创新加速，增强数据保护

如何在英特尔® 平台上实现高效的大语言模型训练后量化

提升 SmoothQuant 量化方法的效力

作者：英特尔公司  陆崟彤、何欣、郭恒、程文华、王畅、王梦妮、沈海豪

本文介绍了可提升大语言模型的训练后量化表现的增强型 SmoothQuant 技术，说明了这项技术的用法，并证明了其在准确率方面的优势。此方法已整合至英特尔® Neural Compressor 中。英特尔® Neural Compressor 是一个包含量化、剪枝（稀疏性）、蒸馏（知识提炼）和神经架构搜索等多种常用模型压缩技术的开源 Python 库。目前，诸如 TensorFlow、英特尔® Extension for TensorFlow、PyTorch、英特尔® Extension for PyTorch、ONNX Runtime 和 MXNet等主流框架，都能与之兼容。

大语言模型

大语言模型 (Large Language Model, LLM) 需基于海量数据集进行训练，可能拥有数十亿权重参数。其先进的网络结构和庞大的参数量，使它们能够很好地应对自然语言本身的复杂性。完成训练后的大语言模型，可针对各种下游的自然语言处理 (NLP) 和自然语言生成 (NLG) 任务进行调优，让其更适合对话式聊天机器人（如 ChatGPT）、机器翻译、文本分类、欺诈检测和情感分析等任务场景。

大语言模型部署面临的挑战

大语言模型在执行自然语言处理和自然语言生成任务方面表现出色，但其训练和部署颇为复杂，主要面临以下挑战：
 

• AI 与内存墙瓶颈问题：算力每两年提高 3.1 倍，内存带宽却只提高 1.4 倍；
• 网络带宽挑战：训练大语言模型需要采用分布式系统，这对网络带宽提出了较高要求；
• 系统资源有限：训练后的模型往往会部署在算力和内存资源均有限的系统上。
   

因此，采用训练后量化的方法来为大语言模型瘦身，对于实现低时延推理至关重要。

大语言模型的量化

量化是一种常见的压缩操作，可以减少模型占用的内存空间，提高推理性能。采用量化方法可以降低大语言模型部署的难度。具体来说，量化是将浮点矩阵转换为整数矩阵：

其中 X_fp32、S 和 Z 分别为输入矩阵、比例因子和整数零点。

有关每通道 (per-channel) 量化策略虽然可能会减少量化损失，但不能用于激活值量化的原因，请参看 SmoothQuant 相关文档。不过，激活值量化误差损失却是导致模型量化准确率下降的重要因素。为此，人们提出了很多方法来降低激活值量化损失，例如：SPIQ）、Outlier Suppression 和 SmoothQuant。这三种方法思路相似，即把激活值量化的难度转移到权重量化上，只是三者在转移难度的多少上有所不同。

增强型 SmoothQuant

SmoothQuant 引入了一个超参数 α 作为平滑因子来计算每个通道的量化比例因子，并平衡激活值和权重的量化难度。

其中 j 是输入通道索引。

对于 OPT 和 BLOOM 等大多数模型来说，α=0.5 是一个能够较好实现权重和激活值量化难度分割的平衡值。模型的激活异常值越大，就越需要使用更大的 α 值来将更多的量化难度转移到权重上。

原始的 SmoothQuant 旨在通过针对整个模型使用一个固定值 α 来分割权重和激活值的量化难度。然而，由于激活异常值的分布不仅在不同模型之间存在差异，而且在同一模型的不同层之间也不尽相同，因此，本文推荐使用英特尔® Neural Compressor 的自动调优能力，逐层获取最佳 α 值。

相关方法包括以下五个主要步骤（伪代码如下所示）：

1. 通过特殊的回调函数 register_forward_hook 捕获 (hook) 模型各层的输入和输出值。
2. 根据用户定义的 α 范围和步长生成一个 α 值列表。
3. 根据给定的 α 值重新计算平滑因子并调整参数（权重值和激活值）。
4. 对权重执行每通道量化与反量化 (quantization_dequantization)，对输入值执行每张量 (per-tensor) 量化与反量化，以预测与给定 α 值对应的每层输出值。
5. 计算相对实际输出值的均方损失，将调整后的参数恢复回来，并保存每层的最佳 α 值。

本文提出的方法支持用多个标准（如最小值、最大值和平均值）来确定 Transformer 块的输入层归一化 (LayerNorm) 操作的 α 值。实验发现，将 α 范围设为 [0.3, 0.7]，步长设为 0.05，对大多数模型来说都能达到很好的平衡。

这一方法有两个显著特点：一是全自动化，二是比原始方法支持的融合模式多。

下图提供了在 BLOOM-1b7 模型上执行 SmoothQuant α 值自动调优的样例代码：

用户只需传递一个模型名称 (model_name) 和一个数据加载器。值得注意的是，模型分析主要依靠的是 Torch JIT。用户可以在加载 Hugging Face 模型时将 torchscript 设置为 True，或将 return_dict 设置为 False。更多信息请参阅英特尔® Neural Compressor 文档。

结果

本文提出的增强型 SmoothQuant 的主要优势在于提高了准确率。

经过对多种主流大语言模型的评估，具备自动调优能力的 INT8 SmoothQuant 最后一个词元 (last-token) 的预测准确率要高于原始 INT8 SmoothQuant 和 FP32 基线方法。详见下图：

从上图可以看出，在 OPT-1.3b 和 BLOOM-1b7 模型上，本文提出的增强型 SmoothQuant 的准确率比默认的 SmoothQuant 分别高 5.4% 和 1.6%。量化后的模型也缩小到 FP32 模型的四分之一，大大减少了内存占用空间，从而有效地提升大模型在英特尔® 平台上的推理性能。

更全面的结果请见 GitHub 存储库。同时，也欢迎您创建拉取请求或就 GitHub 问题发表评论。期待听到您的反馈意见和建议。