网站建设工作室小俊哥,建筑公司logo设计大全,网上做广告推广,成品网站是什么意思用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#xff08;LLMS#xff09;的庞大规模#xff0c;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#xff0c;您可以节省内存并加快推理… 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LoraQlora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。 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 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_CUBLAS1 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_typemodel,exist_okTrue,tokenhf_token
)# Upload gguf files
api.upload_folder(folder_pathMODEL_NAME,repo_idf{username}/{MODEL_NAME}-GGUF,allow_patternsf*.gguf,tokenhf_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)。 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。
