Meta Llama 3 使用 Hugging Face 和 PyTorch 优化 CPU 推理

原文地址：meta-llama-3-optimized-cpu-inference-with-hugging-face-and-pytorch

了解在 CPU 上部署 Meta* Llama 3 时如何减少模型延迟

2024 年 4 月 19 日

万众期待的 Meta 第三代 Llama 发布了，我想确保你知道如何以最佳方式部署这个最先进的（SoTA）LLM。在本文中，我们将重点讨论如何执行只权重量化（WOQ）来压缩 8B 参数模型并改善推理延迟，但首先，让我们讨论一下 Meta Llama 3。

Llama 3

迄今为止，Llama 3 系列包括 8B 到 70B 参数的模型，未来还会有更多版本。这些模型都附带有允许使用的 Meta Llama 3 许可证，请在接受使用这些模型所需的条款之前仔细阅读。这标志着 Llama 模型系列和开源人工智能进入了激动人心的新篇章。

结构

Llama 3 是一种基于纯解码器transformer的自动回归 LLM。与 Llama 2 相比，Meta 团队做出了以下显著改进：

采用分组查询关注 (GQA)，提高了推理效率。
优化了标记符号生成器，其词汇量为 128K 标记，旨在更高效地编码语言。
在 15 万亿个 token 数据集上进行了训练，比 Llama 2 的训练数据集大 7 倍，包含的代码多 4 倍。

下图是 print(model) 的结果，其中 model 为 meta-llama/Meta-Llama-3-8B-Instruct。从图中我们可以看到，该模型由 32 个 LlamaDecoderLayers 组成，这些 LlamaDecoderLayers 由 Llama Attention 自我注意组件构成。此外，它还有 LlamaMLP、LlamaRMSNorm 和一个线性头。

语言建模性能

该模型在各种行业标准语言建模基准（如 MMLU、GPQA、HumanEval、GSM-8K、MATH 等）上进行了评估。在本文中，我们将回顾 "指令调整模型 "的性能。这些数据中最引人注目的是 Llama 3 8B 参数模型在所报告的基准测试中的性能比 Llama 2 70B 高出 62% 到 143%，而模型体积却小了 88%！

最新一代 Llama 提升了语言建模性能、许可权限和架构效率，标志着生成式人工智能领域翻开了激动人心的篇章。让我们来探讨如何优化 CPU 上的推理，以实现 Llama 3 的可扩展、低延迟部署。

使用 PyTorch 优化 Llama 3 推断

在本文中，我们将重点介绍如何在 meta-llama/Meta-Llama-3-8B-Instruct 中应用仅权重量化（WOQ）。WOQ 在性能、延迟和准确性之间取得了平衡，可选择量化到 int4 或 int8。WOQ 的一个关键部分是去量化步骤，它在计算前将 int4/in8 权重转换回 bf16。

环境设置

在 Llama-3-8B-Instruct 上执行 WOQ 需要大约 60GB 内存。其中约 30GB 用于加载完整模型，约 30GB 用于量化期间的峰值内存。WOQ Llama 3 只消耗约 10GB 内存，这意味着我们可以通过从内存中释放完整模型来释放约 50GB 内存。

如果在自己的集成开发环境中运行，你可能需要解决其他依赖性问题，如安装 Jupyter 和/或配置 conda/python 环境。在开始之前，请确保已安装以下依赖项。

intel-extension-for-pytorch==2.2
transformers==4.35.2
torch==2.2.0
huggingface_hub

访问和配置 Llama 3

访问 Llama 3 的模型和令牌生成器需要一个 Hugging Face* 账户。

为此，请从设置菜单中选择 "访问令牌"（图 4）并创建一个令牌。

运行以下代码后，复制访问令牌并将其粘贴到 Jupyter 单元格中生成的 "令牌 "字段。

from huggingface_hub import notebook_login, Repository
# Login to Hugging Face
notebook_login()

使用 WOQ 量化 Llama-3-8B-Instruct

我们将利用 PyTorch 的英特尔® 扩展* 将 WOQ 应用于 Llama 3。该扩展包含针对英特尔硬件的最新 PyTorch 优化。请按照以下步骤对 Llama 3 模型进行量化并执行推理：

1. Llama 3 模型和标记器：导入所需的软件包，并使用 AutoModelForCausalLM.from_pretrained() 和 AutoTokenizer.from_pretrained() 方法加载 Llama-3-8B-Instruct 特定的权重和标记符。

import torch
import intel_extension_for_pytorch as ipex
from transformers import AutoTokenizer, AutoModelForCausalLM, TextStreamer
Model = 'meta-llama/Meta-Llama-3-8B-Instruct'
model = AutoModelForCausalLM.from_pretrained(Model)
tokenizer = AutoTokenizer.from_pretrained(Model)

2. 量化配方配置（Quantization Recipe Config）：配置 WOQ 量化配方。我们可以将 weight_dtype 变量设置为所需的内存数据类型，分别从 torch.quint4x2 或 torch.qint8 中选择 int4 和 in8。此外，我们还可以使用 lowp_model 来定义去量化精度。目前，我们将保持 ipex.quantization.WoqLowpMode.None 作为默认的 bf16 计算精度。

qconfig = ipex.quantization.get_weight_only_quant_qconfig_mapping(
  weight_dtype=torch.quint4x2, # or torch.qint8
  lowp_mode=ipex.quantization.WoqLowpMode.NONE, # or FP16, BF16, INT8
)
checkpoint = None # optionally load int4 or int8 checkpoint
# PART 3: Model optimization and quantization
model_ipex = ipex.llm.optimize(model, quantization_config=qconfig, low_precision_checkpoint=checkpoint)
del model

我们使用 ipex.llm.optimize() 应用 WOQ，然后使用 del model 从内存中删除完整模型，释放出 ~30GB 内存。

3. 提示 Llama 3：与 LLama 2 一样，Llama 3 也为其指令调整模型预设了提示模板。使用该模板，开发人员可以定义特定的模型行为指令，并提供用户提示和对话历史记录。

system= """\n\n You are a helpful, respectful and honest assistant. Always answer as helpfully as possible, while being safe. If you don't know the answer to a question, please don't share false information."""
user= "\n\n You are an expert in astronomy. Can you tell me 5 fun facts about the universe?"
model_answer_1 = 'None'
llama_prompt_tempate = f"""
<|begin_of_text|>\n<|start_header_id|>system<|end_header_id|>{system}
<|eot_id|>\n<|start_header_id|>user<|end_header_id|>{user}
<|eot_id|>\n<|start_header_id|>assistant<|end_header_id|>{model_answer_1}<|eot_id|>
"""
inputs = tokenizer(llama_prompt_tempate, return_tensors="pt").input_ids

我们提供所需的字段，然后使用标记器将整个模板转换成模型的标记。

4. Llama 3 推论：在文本生成方面，我们利用 TextStreamer 生成实时推理流，而不是一次性打印整个输出。这将为读者带来更自然的文本生成体验。我们为 model_ipex.generate() 和其他文本生成参数提供了配置好的流。

with torch.inference_mode():
    tokens = model_ipex.generate(
        inputs,
        streamer=streamer,
        pad_token_id=128001,
        eos_token_id=128001,
        max_new_tokens=300,
        repetition_penalty=1.5,
)

运行此代码后，模型将开始生成输出。请记住，这些都是未经过滤的非保护输出。对于真实世界的使用案例，你将需要进行额外的后处理考虑。