用GGUF和Llama.cpp量化Llama模型

2024-03-02 20:44
文章标签 模型 量化 llama cpp gguf

本文主要是介绍用GGUF和Llama.cpp量化Llama模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

用GGUF和Llama .cpp量化Llama模型

  • 什么是GGML
  • 如何用GGML量化llm
  • 使用GGML进行量化
  • NF4 vs. GGML vs. GPTQ
  • 结论

由于大型语言模型(LLMS)的庞大规模,量化已成为有效运行它们的必要技术。通过降低其权重的精度,您可以节省内存并加快推理,同时保留大部分模型性能。最近,8-bit和4-bit量化解锁了在消费者硬件上运行LLM的可能性。加上Llama模型和参数有效技术以微调它们(Lora,Qlora)的释放,这创建了一个丰富的本地LLM生态系统,该生态系统现在正在与OpenAI的GPT-3.5和GPT-4竞争。

目前,主要有三种量化技术:NF4、GPTQ和GGML。NF4是QLoRA使用的静态方法,用于以4位精度加载模型以执行微调。在上一篇文章中,我们探讨了GPTQ方法,并量化了我们自己的模型,以便在消费者GPU上运行它。在本文中,我们将介绍GGML技术,了解如何量化Llama模型,并提供实现最佳结果的提示和技巧。

什么是GGML

GGML是一个专注于机器学习的C语言库。它是由Georgi Gerganov创建的,这是GG的首字母缩写。这个库不仅提供了机器学习的基本元素,如张量,而且还提供了一种独特的二进制格式来分发llm。

该格式最近更改为GGUF。这种新格式被设计为可扩展的,因此新特性不会破坏与现有模型的兼容性。它还将所有元数据集中在一个文件中,例如特殊 tokens、RoPE缩放参数等。简而言之,它解决了历史上的一些痛点,而且应该经得起未来的考验。欲了解更多信息,您可以在此地址阅读规范。在本文的其余部分,我们将称使用GGUF或以前格式的所有模型为GGML模型。

GGML设计为与Georgi Gerganov创建的Llama.CPP库一起使用。该库用C/C ++编写,以有效地推理 Llama模型。它可以加载GGML型号并将其运行在CPU上。最初,这是与GPTQ模型的主要区别,该模型已加载并在GPU上运行。但是,您现在可以使用Llama.cpp将LLM的一些LLM层卸载到GPU。为了给您一个例子,有35层用于7B参数模型。这大大加快了推理,并使您可以运行不适合VRAM的LLM。
在这里插入图片描述
如果您喜欢命令行工具,那么llama.cpp和GGUF支持已经集成到许多gui中,例如oobabooga的文本生成web-ui、koboldcpp、LM Studio或ctransformers。您可以简单地用这些工具加载您的GGML模型,并以类似chatgpt的方式与它们交互。幸运的是,许多量化模型可以直接在Hugging Face Hub 上使用。您很快就会注意到,它们中的大多数都是由LLM社区的知名人物TheBloke量化的。

在下一节中,我们将看到如何量化我们自己的模型并在消费级GPU上运行它们。

如何用GGML量化llm

让我们看一下 thebloke/Llama-2-13b-chat-ggml repo内部的文件。我们可以看到14种不同的GGML模型,与不同类型的量化相对应。他们遵循特定的命名约定:“ Q” +用于存储权重(精度) +特定变体的位数。这是根据TheBloke制作的型号卡的所有可能定量方法及其相应用例的列表:
在这里插入图片描述
根据经验,我建议使用Q5_K_M,因为它保留了该型号的大部分性能。另外,如果想节省一些内存,也可以使用 Q4_K_M。一般来说,K_M版本优于 K_S 版本。我不推荐 Q2_K 或 Q3 *版本,因为它们会大大降低模型的性能。

现在我们了解了更多可用的量化类型,让我们看看如何在实际模型中使用它们。您可以在Google Colab上的免费T4 GPU上执行以下代码。第一步包括编译llama.cpp并在Python环境中安装所需的库。

# Install llama.cpp
!git clone https://github.com/ggerganov/llama.cpp
!cd llama.cpp && git pull && make clean && LLAMA_CUBLAS=1 make
!pip install -r llama.cpp/requirements.txt

现在我们可以下载我们的模型。我们将使用本文中的Mlabonne/Evolcodellama-7B进行微调的模型。

MODEL_ID = "mlabonne/EvolCodeLlama-7b"# Download model
!git lfs install
!git clone https://huggingface.co/{MODEL_ID}

这一步可能需要一些时间。完成后,我们需要将权重转换为GGML FP16格式。

MODEL_NAME = MODEL_ID.split('/')[-1]# Convert to fp16
fp16 = f"{MODEL_NAME}/{MODEL_NAME.lower()}.fp16.bin"
!python llama.cpp/convert.py {MODEL_NAME} --outtype f16 --outfile {fp16}

最后,我们可以使用一种或几种方法对模型进行量化。在这种情况下,我们将使用我之前推荐的Q4_K_M和Q5_K_M方法。这是唯一需要GPU的步骤。

QUANTIZATION_METHODS = ["q4_k_m", "q5_k_m"]for method in QUANTIZATION_METHODS:qtype = f"{MODEL_NAME}/{MODEL_NAME.lower()}.{method.upper()}.gguf"!./llama.cpp/quantize {fp16} {qtype} {method}

我们的两个量化模型现在可以进行推理了。我们可以检查bin文件的大小,看看我们压缩了多少。FP16的内存为13.5 GB, Q4_K_M 的内存为4.08 GB(比前者小3.3倍),Q5_K_M 的内存为4.78 GB(比后者小2.8倍)。

让我们使用llama.cpp来有效地运行它们。由于我们使用的是带有16gb VRAM的GPU,所以我们可以将每一层都卸载到GPU上。在本例中,它表示35层(7b参数模型),因此我们将使用-ngl 35参数。在下面的代码块中,我们还将输入一个提示符和我们想要使用的量化方法。

import osmodel_list = [file for file in os.listdir(MODEL_NAME) if "gguf" in file]prompt = input("Enter your prompt: ")
chosen_method = input("Name of the model (options: " + ", ".join(model_list) + "): ")# Verify the chosen method is in the list
if chosen_method not in model_list:print("Invalid name")
else:qtype = f"{MODEL_NAME}/{MODEL_NAME.lower()}.{method.upper()}.gguf"!./llama.cpp/main -m {qtype} -n 128 --color -ngl 35 -p "{prompt}"

让我们问使用Q5_K_M方法 “Write a Python function to print the nth Fibonacci numbers”。如果我们查看日志,我们可以通过“ lm_load_tensors: offloaded 35/35 layers to GPU”的行,成功地确认我们成功地卸载了我们的图层。这是模型生成的代码:

def fib(n):if n == 0 or n == 1:return nreturn fib(n - 2) + fib(n - 1)for i in range(1, 10):print(fib(i))

这不是一个非常复杂的提示符,但它很快就成功地生成了一段可工作的代码。使用llama.cpp,您可以使用交互模式(-i标志)将本地LLM用作终端中的助手。请注意,这也适用于带有苹果金属性能着色器(MPS)的macbook,这是运行llm的绝佳选择。

最后,我们可以将量化的模型推向带有“ -gguf”后缀的Hugging Face Hub 的新存储库。首先,让我们登录并修改以下代码块以匹配您的用户名。您可以在Google Colab的“ Secrets”选项卡中输入Hugging Face token (https://huggingface.co/settings/tokens) 。我们使用laster_patterns参数仅上传gGGUF模型,而不是整个目录。

!pip install -q huggingface_hub
from huggingface_hub import create_repo, HfApi
from google.colab import userdata# Defined in the secrets tab in Google Colab
hf_token = userdata.get('huggingface')api = HfApi()
username = "mlabonne"# Create empty repo
create_repo(repo_id = f"{username}/{MODEL_NAME}-GGUF",repo_type="model",exist_ok=True,token=hf_token
)# Upload gguf files
api.upload_folder(folder_path=MODEL_NAME,repo_id=f"{username}/{MODEL_NAME}-GGUF",allow_patterns=f"*.gguf",token=hf_token
)

我们已经成功地将GGML模型量化、运行并推送到拥抱脸中心!在下一节中,我们将探讨GGML如何实际量化这些模型。

使用GGML进行量化

GGML量化权重的方式不像GPTQ那样复杂。基本上,它将值块分组并将其舍入到较低的精度。一些技术,如Q4_K_M和Q5_K_M,对关键层实现了更高的精度。在这种情况下,除了一半 attention.wv and feed_forward.w2 的tensor之外,每个权重都以4位精度存储。实验证明,这种混合精度在精度和资源使用之间取得了很好的平衡。

如果我们查看一下ggml.c文件,我们可以看到这些块是如何定义的。例如,块q40结构定义为

#define QK4_0 32
typedef struct {ggml_fp16_t d;          // deltauint8_t qs[QK4_0 / 2];  // nibbles / quants
} block_q4_0;

在GGML中,权重以块的形式处理,每个块由32个值组成。对于每个块,从最大的权重值派生出一个比例因子(delta)。然后对块中的所有权重进行缩放、量子化和有效打包以进行存储(小块)。这种方法大大减少了存储需求,同时允许在原始权重和量化权重之间进行相对简单和确定的转换。

现在我们对量化过程有了更多的了解,我们可以将结果与NF4和GPTQ进行比较。

NF4 vs. GGML vs. GPTQ

哪种技术更适合4位量化/要回答这个问题,我们需要介绍运行这些量化llm的不同后端。对于GGML模型,使用q4km模型的lama.cpp是可行的方法。对于GPTQ模型,我们有两种选择:AutoGPTQ或ExLlama。最后,NF4模型可以直接在具有-load-in-4bit标志的transformers中运行。

Oobabooga在一篇优秀的博客文章中进行了多个实验,比较了不同模型的困惑度(越低越好)。
在这里插入图片描述
基于这些结果,我们可以说GGML模型在困惑方面具有略有优势。差异不是特别重要,这就是为什么最好以令牌/秒为单位专注于生成速度的原因。最好的技术取决于您的GPU:如果您有足够的VRAM适合整个量化模型,则使用Exllama的GPTQ将是最快的。如果不是这种情况,您可以卸载一些层,并使用Llama.cpp使用GGML型号来运行LLM。

结论

在本文中,我们介绍了GGML库和新的GGUF格式来有效地存储这些量化模型。我们用它来量化不同格式的Llama模型(Q4_K_M和Q5_K_M),然后运行GGML模型并将bin文件推送到hug Face Hub。最后,我们深入研究了GGML的代码,以了解它实际上是如何量化权重的,并将其与NF4和GPTQ进行了比较。

量化是通过降低运行LLM的成本来实现LLM的强大载体。在未来,混合精度和其他技术将不断提高我们可以通过量化权重实现的性能。在那之前,我希望你喜欢阅读这篇文章,并学到一些新的东西。

这篇关于用GGUF和Llama.cpp量化Llama模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/767369

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

线性因子模型 - 独立分量分析(ICA)篇

序言 线性因子模型是数据分析与机器学习中的一类重要模型,它们通过引入潜变量( latent variables \text{latent variables} latent variables)来更好地表征数据。其中,独立分量分析( ICA \text{ICA} ICA)作为线性因子模型的一种,以其独特的视角和广泛的应用领域而备受关注。 ICA \text{ICA} ICA旨在将观察到的复杂信号