W8A8 LLM 模型部署¶
LMDeploy 提供了使用 8 bit 整数对神经网络模型进行量化和推理的功能。
在开始推理前，需要确保已经正确安装了 lmdeploy 和 openai/triton。可以通过以下命令进行安装：
pip install lmdeploy
pip install triton>=2.1.0
8bit 权重模型推理¶
如果你需要进行 8 bit 权重模型推理，可以直接从 LMDeploy 的 model zoo 下载已经量化好的 8bit 权重模型。以8bit 的 Internlm-chat-7B 模型为例，可以从 model zoo 直接下载：
git-lfs install
git clone https://huggingface.co/lmdeploy/internlm-chat-7b-w8 (coming soon)
你也可以参考”8bit 权重量化”章节的内容手动将原 16bit 权重量化为 8bit，并保存至 internlm-chat-7b-w8 目录下，操作命令如下：
lmdeploy lite smooth_quant internlm/internlm-chat-7b --work-dir ./internlm-chat-7b-w8
然后，执行以下命令，即可在终端与模型对话：
lmdeploy chat ./internlm-chat-7b-w8 --backend pytorch
启动 gradio 服务¶
Coming soon…
推理速度¶
Coming soon…
8bit 权重量化¶
进行 8bit 权重量化需要经历以下三步：
权重平滑：首先对语言模型的权重进行平滑处理，以便更好地进行量化。
模块替换：使用
QRSMNorm和QLinear模块替换原模型DecoderLayer中的RSMNorm模块和nn.Linear模块。lmdeploy/pytorch/models/q_modules.py文件中定义了这些量化模块。保存量化模型：完成上述必要的替换后，我们即可保存新的量化模型。
我们在lmdeploy/lite/api/smooth_quantity.py脚本中已经实现了以上三个步骤。例如，可以通过以下命令得到量化后的 Internlm-chat-7B 模型的模型权重：
lmdeploy lite smooth_quant internlm/internlm-chat-7b --work-dir ./internlm-chat-7b-w8
保存之后，你就可以通过调用from_pretrained接口来实例化你的量化模型。