使用 QAT 微调 Llama3

量化感知训练 (QAT) 是一种常见的技术，用户可以使用它来量化其模型，而不会导致准确性或困惑度出现明显的下降。在本教程中，我们将逐步介绍如何在微调期间应用 QAT、量化生成的模型以及使用 torchtune 评估量化后的模型。

你将学到什么

• 什么是 QAT 以及它如何帮助减少量化退化

• 如何在 torchtune 中在微调期间运行 QAT

• 连接 QAT、量化和评估食谱的端到端示例

先决条件

• 熟悉 torchtune

• 确保 安装 torchtune

• 确保你已下载 Llama3-8B 模型权重

什么是 QAT？

量化感知训练 (QAT) 指的是在训练或微调期间模拟量化数值，最终目标是与简单的训练后量化 (PTQ) 相比，生成更高质量的量化模型。在 QAT 期间，权重和/或激活值会被“伪量化”，这意味着它们会像被量化一样进行转换，但保留在原始数据类型（例如 bfloat16）中，而不会真正转换为较低的位宽。因此，伪量化允许模型在更新权重时适应量化噪声，因此训练过程“知道”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() 将伪量化操作插入线性层，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后与线性操作融合）。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 中用于微调的 Llama3。

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，我们将看到所有线性层都已替换为 Int8DynActInt4WeightQATLinear，它模拟 int8 动态每个标记激活 + int4 每通道分组权重的数值。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，我们将看到 QAT 线性层已被替换为 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 微调食谱

将所有内容整合在一起，我们现在可以使用 torchtune 的 QAT 食谱 <qat_distributed_recipe_label> 来微调模型。请确保你已按照 这些说明 下载了 Llama3 权重和分词器。在本教程中，我们使用以下设置来演示与直接量化未经 QAT 微调的模型相比，QAT 在恢复量化退化方面的有效性。你可以复制默认的 QAT 配置并根据需要进行以下修改

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

注意

torchtune 中的 QAT 目前与 memory_efficient_fsdp_wrap 不兼容。这是一个已知问题，将在未来的 torchtune 版本中修复。

根据经验，我们观察到禁用前 N 步的伪量化会导致更好的结果，这可能是因为这样做允许权重在开始将量化噪声引入微调过程之前稳定下来。因此，这里我们禁用前 1000 步的伪量化。

然后，你可以使用以下命令使用上述配置运行带有 QAT 的微调。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，这使用上面所示的 int8 动态每个标记激活 + int4 每通道分组权重量化配置

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

注意

确保指向 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。

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修改它们。一般来说，我们预计 Llama3-8B 等模型的微调速度会下降约 30%。使用激活检查点，每个 GPU 的内存占用增加最小（每个 GPU < 5GB）。

量化 QAT 模型

请注意，上面的 QAT 食谱会生成一个未量化的 bfloat16 模型。模型结构与不使用 QAT 进行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，并且量化模型的性能会很差。

评估量化模型

现在我们有了量化模型，我们可以对其运行一些评估并将其结果与不使用 QAT 的常规微调（即训练后量化）进行比较。为此，我们使用 torchtune 中集成的 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

由于我们传入的是一个量化模型，请确保使用相应的训练后量化器，而不是量化感知训练 (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

结果应该类似于以下内容

# 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|

将这些结果与未进行 QAT 微调的模型进行比较，我们可以看到，与 PTQ 相比，QAT 能够恢复原始未量化模型中很大一部分的量化退化。例如，在 hellaswag 任务中，与原始未量化模型相比，PTQ 的归一化准确率下降了 2.20%，而 QAT 仅下降了 0.74%。类似地，wikitext 任务中的词困惑度在 PTQ 中增加了 2.048，而在 QAT 中仅增加了 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 流程产生的量化模型优于训练后量化模型。重要的是，两种流程中的量化模型结构相同，因此模型大小、内存使用量以及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 不支持本机的 int4 数据类型。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，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 QAT Llama3 模型进一步降低到智能手机等边缘设备，方法是遵循这些说明。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"

这导致了一个小得多的量化模型，大小为 3.881 GB。在 OnePlus 12 智能手机上进行基准测试时，此模型也实现了与训练后量化模型相同的推理和生成速度。这是因为两种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