使用 QAT 微调 Llama3

量化感知训练 (QAT) 是用户量化模型的常用技术，可以在不显著降低准确率或困惑度的情况下进行量化。在本教程中，我们将逐步介绍如何在微调期间应用 QAT，量化生成的模型，并使用 torchtune 评估您的量化模型。

您将学到什么

• 什么是 QAT，以及它如何帮助减少量化退化

• 如何在 torchtune 中运行微调期间的 QAT

• 连接 QAT、量化和评估配方的端到端示例

先决条件

• 熟悉 torchtune

• 确保 安装 torchtune

• 确保您已下载 Llama3-8B 模型权重

什么是 QAT？

量化感知训练 (QAT) 是指在训练或微调期间模拟量化数值，最终目标是生成比简单的训练后量化 (PTQ) 更高质量的量化模型。在 QAT 期间，权重和/或激活被“伪量化”，这意味着它们被转换得好像正在被量化，但保持原始数据类型（例如 bfloat16），而没有实际转换为较低的位宽。因此，伪量化允许模型在更新权重时调整量化噪声，因此训练过程“感知”到模型最终将在训练后被量化。

# PTQ: x_q is quantized and cast to int8
# scale and zero point (zp) refer to parameters used to quantize x_float
# qmin and qmax refer to the range of quantized values
x_q = (x_float / scale + zp).round().clamp(qmin, qmax).cast(int8)

# QAT: x_fq is still in float
# Fake quantize simulates the numerics of quantize + dequantize
x_fq = (x_float / scale + zp).round().clamp(qmin, qmax)
x_fq = (x_fq - zp) * scale

QAT 通常涉及在训练前后对您的模型应用转换。例如，在 torchao QAT 实现 中，这些表示为 prepare() 和 convert() 步骤：（1）prepare() 将伪量化操作插入到线性层中，以及（2）convert() 在训练后将伪量化操作转换为实际的量化和反量化操作，从而生成量化模型（反量化操作通常在降低精度后与线性层融合）。在这两个步骤之间，训练可以像以前一样进行。

将 QAT 应用于 Llama3 模型

我们可以轻松地将上述 QAT 转换应用于 torchtune 中的 Llama3 以进行微调

from torchtune.training.quantization import Int8DynActInt4WeightQATQuantizer
from torchtune.models.llama3 import llama3_8b

model = llama3_8b()

# Quantizer for int8 dynamic per token activations +
# int4 grouped per channel weights, only for linear layers
quantizer = Int8DynActInt4WeightQATQuantizer()

# Insert "fake quantize" operations into linear layers.
# These operations simulate quantization numerics during
# fine-tuning without performing any dtype casting
prepared_model = quantizer.prepare(model)

如果我们打印模型，我们会看到所有线性层都已替换为 Int8DynActInt4WeightQATLinear，它模拟 int8 动态按 token 激活 + int4 分组按通道权重 的数值。现在模型已准备好进行微调。

>>> print(model.layers[0].attn)
MultiHeadAttention(
  (q_proj): Linear(in_features=4096, out_features=4096, bias=False)
  (k_proj): Linear(in_features=4096, out_features=1024, bias=False)
  (v_proj): Linear(in_features=4096, out_features=1024, bias=False)
  (output_proj): Linear(in_features=4096, out_features=4096, bias=False)
  (pos_embeddings): RotaryPositionalEmbeddings()
)

>>> print(prepared_model.layers[0].attn)
MultiHeadAttention(
  (q_proj): Int8DynActInt4WeightQATLinear(in_features=4096, out_features=4096, bias=False)
  (k_proj): Int8DynActInt4WeightQATLinear(in_features=4096, out_features=1024, bias=False)
  (v_proj): Int8DynActInt4WeightQATLinear(in_features=4096, out_features=1024, bias=False)
  (output_proj): Int8DynActInt4WeightQATLinear(in_features=4096, out_features=4096, bias=False)
  (pos_embeddings): RotaryPositionalEmbeddings()
)

微调后，我们可以转换模型以获得实际的量化模型。如果我们打印转换后的模型，我们会看到 QAT 线性层已替换为 Int8DynActInt4WeightLinear，它们是线性层的量化版本。然后可以将此量化模型保存到检查点并用于推理或生成。

# Fine-tune as before
train_loop(prepared_model)

# Convert fake quantize to actual quantize operations
converted_model = quantizer.convert(prepared_model)

>>> print(converted_model.layers[0].attn)
MultiHeadAttention(
  (q_proj): Int8DynActInt4WeightLinear()
  (k_proj): Int8DynActInt4WeightLinear()
  (v_proj): Int8DynActInt4WeightLinear()
  (output_proj): Int8DynActInt4WeightLinear()
  (pos_embeddings): RotaryPositionalEmbeddings()
)

torchtune 中的 QAT 微调配方

将所有内容放在一起，我们现在可以使用 torchtune 的 QAT 配方 微调模型。确保您首先按照 这些说明 下载 Llama3 权重和分词器。在本教程中，我们使用以下设置来演示 QAT 在恢复量化退化方面的有效性，与直接量化未使用 QAT 微调的模型相比。您可以复制默认的 QAT 配置并进行以下相应修改

tune cp llama3/8B_qat_full custom_8B_qat_full.yaml

# Dataset
dataset:
  _component_: torchtune.datasets.text_completion_dataset
  source: allenai/c4
  max_seq_len: 8192
  column: text
  name: en
  split: train
seed: null
shuffle: True

...

epochs: 1
max_steps_per_epoch: 2000
fake_quant_after_n_steps: 1000
memory_efficient_fsdp_wrap: False

根据经验，我们观察到，在前 N 个步骤中禁用伪量化会带来更好的结果，这可能是因为这样做可以让权重在我们开始将量化噪声引入微调过程之前稳定下来。因此，在这里我们禁用了前 1000 步的伪量化。

然后，您可以使用以下命令使用上述配置运行 QAT 微调。此工作负载至少需要 6 个 GPU，每个 GPU 的 VRAM 至少为 80GB。默认情况下，这使用如上所示的 int8 动态按 token 激活 + int4 分组按通道权重量化配置

tune run --nnodes 1 --nproc_per_node 6 qat_distributed --config custom_8B_qat_full.yaml

注意

确保指向您的 Llama3 权重和分词器的位置。这可以通过添加 checkpointer.checkpoint_files=[my_model_checkpoint_path] tokenizer_checkpoint=my_tokenizer_checkpoint_path 或直接修改 8B_qat_full.yaml 文件来完成。有关如何轻松克隆和修改 torchtune 配置的更多详细信息，请参阅我们的 关于配置的一切。

注意

与常规微调相比，QAT 引入了内存和计算开销，因为伪量化从根本上来说涉及额外的操作，并且需要克隆权重以避免在计算伪量化值时改变它们。一般来说，我们预计像 Llama3-8B 这样的模型微调速度会降低约 30%。使用激活检查点，每个 GPU 的内存占用增加量是最小的（< 每个 GPU 5GB）。

量化 QAT 模型

请注意，上面的 QAT 配方生成一个未量化的 bfloat16 模型。模型结构与未使用 QAT 的常规完整微调生成的模型完全相同，只是权重不同。要实际获得量化模型，请复制并对量化配置进行以下修改

tune cp quantization custom_quantization.yaml

# Model arguments
model:
  _component_: torchtune.models.llama3.llama3_8b

checkpointer:
  _component_: torchtune.training.FullModelMetaCheckpointer
  checkpoint_dir: <your QAT checkpoint dir>
  checkpoint_files: [meta_model_0.pt]
  recipe_checkpoint: null
  output_dir: <your QAT checkpoint dir>
  model_type: LLAMA3

...

quantizer:
  _component_: torchtune.training.quantization.Int8DynActInt4WeightQATQuantizer
  groupsize: 256

以下命令执行 QAT 流程中的转换步骤，该步骤实际上将浮点模型量化为具有量化权重的模型

tune run quantize --config custom_quantization.yaml

注意

确保使用与微调模型相同的 QAT 量化器，否则数值将不正确，量化模型的性能将很差。

评估量化模型

现在我们有了一个量化模型，我们可以对其进行一些评估，并将结果与未使用 QAT 的常规微调（即训练后量化）进行比较。为了实现这一点，我们使用集成在 torchtune 中的 EleutherAI 的评估工具。首先，复制评估配置并进行以下更改

tune cp eleuther_evaluation custom_eleuther_evaluation.yaml

# Model arguments
model:
  _component_: torchtune.models.llama3.llama3_8b

checkpointer:
  _component_: torchtune.training.FullModelTorchTuneCheckpointer
  checkpoint_dir: <your quantized model checkpoint dir>
  checkpoint_files: [meta_model_0-8da4w.pt]
  recipe_checkpoint: null
  output_dir: <your quantized model checkpoint dir>
  model_type: LLAMA3

...

# EleutherAI specific eval args
tasks: ["hellaswag", "wikitext"]
limit: null
max_seq_length: 8192
batch_size: 8

quantizer:
  _component_: torchtune.training.quantization.Int8DynActInt4WeightQuantizer
  groupsize: 256

注意

由于我们传入的是量化模型，请务必使用相应的训练后量化器，而不是 QAT 量化器。例如，如果您在微调期间使用了 Int8DynActInt4WeightQATQuantizer，则应在此步骤中指定 Int8DynActInt4WeightQuantizer。有关支持的量化器的完整列表，请参阅 量化配方。

现在运行评估配方

tune run eleuther_eval --config my_eleuther_evaluation.yaml

结果应如下所示

# QAT quantized model evaluation results (int8 activations + int4 weights)

|  Tasks  |Version|Filter|n-shot|    Metric     |Value |   |Stderr|
|---------|------:|------|-----:|---------------|-----:|---|------|
|wikitext |      2|none  |     0|word_perplexity|9.9148|±  |N/A   |
|         |       |none  |     0|byte_perplexity|1.5357|±  |N/A   |
|         |       |none  |     0|bits_per_byte  |0.6189|±  |N/A   |
|hellaswag|      1|none  |     0|acc            |0.5687|±  |0.0049|
|         |       |none  |     0|acc_norm       |0.7536|±  |0.0043|

将这些结果与未使用 QAT 微调的模型进行比较，我们可以看到，与 PTQ 相比，QAT 能够从原始未量化模型中恢复大部分量化退化。例如，与原始未量化模型相比，hellaswag 任务中的归一化准确率使用 PTQ 下降了 2.20%，但使用 QAT 仅下降了 0.74%。同样，wikitext 任务中的单词困惑度使用 PTQ 增加了 2.048，但使用 QAT 仅增加了 1.190（越低越好）。

# PTQ quantized model evaluation results (int8 activations + int4 weights)

|  Tasks  |Version|Filter|n-shot|    Metric     | Value |   |Stderr|
|---------|------:|------|-----:|---------------|------:|---|------|
|wikitext |      2|none  |     0|word_perplexity|10.7735|±  |N/A   |
|         |       |none  |     0|byte_perplexity| 1.5598|±  |N/A   |
|         |       |none  |     0|bits_per_byte  | 0.6413|±  |N/A   |
|hellaswag|      1|none  |     0|acc            | 0.5481|±  |0.0050|
|         |       |none  |     0|acc_norm       | 0.7390|±  |0.0044|

# Float model evaluation results (bfloat16)

|  Tasks  |Version|Filter|n-shot|    Metric     |Value |   |Stderr|
|---------|------:|------|-----:|---------------|-----:|---|------|
|wikitext |      2|none  |     0|word_perplexity|8.7251|±  |N/A   |
|         |       |none  |     0|byte_perplexity|1.4994|±  |N/A   |
|         |       |none  |     0|bits_per_byte  |0.5844|±  |N/A   |
|hellaswag|      1|none  |     0|acc            |0.5740|±  |0.0049|
|         |       |none  |     0|acc_norm       |0.7610|±  |0.0043|

因此，QAT 流程生成了一个优于训练后量化模型的量化模型。重要的是，量化模型结构在两个流程中都是相同的，因此模型大小、内存使用量和所有其他性能特征也相同。

请注意，尽管权重被量化为 int4，但 QAT 和 PTQ 流程的量化模型大小均为 8.187 GB，而原始浮点模型为 14.958 GB。这是因为此量化器使用 int8 来表示权重，因为 PyTorch 没有原生 int4 dtype 支持。更有效的表示方法是打包 int4 权重，这将使量化模型大小减半。这就是 Int4WeightOnlyQuantizer 所做的事情，相应的 QAT 量化器将在未来添加。

将 QAT 模型降低到设备（可选）

量化模型的一个重要动机是能够在资源受限的环境中运行它。您可以使用 executorch 将您的 QAT Llama3 模型进一步降低到智能手机等边缘设备，方法是按照 这些说明 进行操作。例如，以下命令将模型降低到 XNNPACK 后端

python -m examples.models.llama2.export_llama --checkpoint <your QAT checkpoint> -p <params.json> -kv --use_sdpa_with_kv_cache -X -qmode 8da4w --group_size 256 -d fp32 --metadata '{"get_bos_id":128000, "get_eos_id":128001}' --embedding-quantize 4,32 --output_name="llama3_8da4w.pte"

这导致了一个更小的量化模型，大小为 3.881 GB。在 OnePlus 12 智能手机上进行基准测试时，此模型还实现了与训练后量化模型相同的推理和生成速度。这是因为两个流程中的模型结构相同

	QAT	PTQ
量化模型大小	3.881 GB	3.881 GB
推理速度	9.709 tok/s	9.815 tok/s
生成速度	11.316 tok/s	11.364 tok/s