Awesome

🇨🇳中文 | English |

quantize_models

This code repository aims to collect various implementation methods for the quantization of large models

量化方案

1.llama

git clone https://huggingface.co/[你需要下载的目录].git

1.3.使用llama.cpp的量化策略进行量化，具体的可以参考llama.cpp,主要步骤是,

1.3.1 克隆和编译llama.cpp,但是针对不同的平台使用的编译方法稍微有一点区别

• 使用make进行编译 Linux和MacOs,因为c的工具链比较齐全，cd 到llama.cpp,make即可;但是在windows上面，可以通过下载运行w64devkit，常常因为语言库的冲突导致编译失败，所以建议在windows上面直接使用cmake
• 使用cmake进行编译，如果没有cmake工具,可以直接通过pip install cmake安装,安装完成后,cd到llama.cpp文件夹下后，具体命令如下,

mkdir build
cd build
cmake ..
cmake --build . --config Release

这个时候生成一个build文件夹，里面有quantize,main 等文件

1.3.2 量化模型

• 安装llama.cpp的依赖库

python3 -m pip install -r requirements.txt

• 将上面步骤2中下载的llama模型转换为FP16的格式.使用如下命令,[]内需要修改为你的模型路径

python3 convert.py [your model path]

• 将生成的FP16格式的模型文件进行4-bits的量化，使用如下命令，

如果是Linux 或是 MacOS 第一个[]内输入，例如：./models/7B/ggml-model-f16.bin ; 第二个[] 内输入你生成模型的目标路径,例如:./models/7B/ggml-model-q4_0.bin

./quantize [your f16 file path] [your q4 model path] 2

如果是windows,两个[]中的内容同上

build\bin\Release\quantize [your f16 file path] [your q4 model path] 2

1.4.运行你的量化模型

1.4.1 在命令行中执行

• 在Linux 或是 MacOS 运行:

./main -m [your q4 model path] -n 128

• 在windows 运行:

\build\bin\Release\main -m [your q4 model path] -n 128

1.4.2 使用llama_cpp库来载入模型,如使用如下python代码:

先使用pip 安装llama_cpp库

pip install llama_cpp

from llama_cpp import Llama
path = "your q4 model path"
llm = Llama(model_path=path)
output = llm("Q: what is your name? A: ", max_tokens=32, stop=["Q:", "\n"], echo=True)
print(output)

2.Chimera

因为Chimera是基于llama框架搭建的训练模型，所以其量化方案可以参考llama的quantization的方案，具体步骤如下：

2.1.1下载Chimera的增量化模型，对应的链接可以在LLMZoo中进行下载，

如，我需要下载7b的增量模型，可以在指定的文件夹下，打开git控制台，输入如下指令进行模型下载：

git clone https://huggingface.co/FreedomIntelligence/chimera-chat-7b-delta.git

2.1.2.下载llama模型，具体下载方式见上文llama中第二条，

2.2.使用LLMZoo项目中的apply_delta.py参数合并函数，进行参数合并, 具体指令如下：

python tools/apply_delta.py  --base [llama模型的下载路径]  --target [生成的Chimera目标路径]  --delta [Chimera的下载路径]

2.3.可以使用上文llama中的量化策略,具体的可以参考llama.cpp,主要步骤是, 2.3.1 克隆和编译llama.cpp,但是针对不同的平台使用的编译方法稍微有一点区别

• 使用make进行编译 Linux和MacOs,因为c的工具链比较齐全，cd 到llama.cpp,make即可;但是在windows上面，可以通过下载运行w64devkit，常常因为语言库的冲突导致编译失败，所以建议在windows上面直接使用cmake
• 使用cmake进行编译，如果没有cmake工具,可以直接通过pip install cmake安装,安装完成后,cd到llama.cpp文件夹下后，具体命令如下,

mkdir build
cd build
cmake ..
cmake --build . --config Release

这个时候生成一个build文件夹，里面有quantize,main 等文件

• 也可以直接使用Chimera文件夹已经生成好的build文件目录进行编译 2.3.2 量化模型
• 安装llama.cpp的依赖库

python3 -m pip install -r requirements.txt

• 将上面步骤2中下载的llama模型转换为FP16的格式.使用如下命令,[]内需要修改为你的模型路径

python3 convert.py [your model path]

• 将生成的FP16格式的模型文件进行4-bits的量化，使用如下命令，

如果是Linux 或是 MacOS 第一个[]内输入，例如：./models/7B/ggml-model-f16.bin ; 第二个[] 内输入你生成模型的目标路径,例如:./models/7B/ggml-model-q4_0.bin

./quantize [your f16 file path] [your q4 model path] 2

如果是windows,两个[]中的内容同上

build\bin\Release\quantize [your f16 file path] [your q4 model path] 2

2.4.运行你的量化模型

2.4.1 在命令行中执行

• 在Linux 或是 MacOS 运行:

./main -m [your q4 model path] -n 128

• 在windows 运行:

\build\bin\Release\main -m [your q4 model path] -n 128

2.4.2 使用llama_cpp库来载入模型,如使用如下python代码: 先使用pip 安装llama_cpp库

pip install llama_cpp

from llama_cpp import Llama
path = "your q4 model path"
llm = Llama(model_path=path)
output = llm("Q: what is your name? A: ", max_tokens=32, stop=["Q:", "\n"], echo=True)
print(output)

2.4.3 内存/硬盘需求 您需要足够的磁盘空间来保存它们，并需要足够的RAM来加载它们，内存和磁盘需求是相同的，下面是具体的需求。

2.4.4 推理速度

2.5 量化文件下载，可以通过百度网盘： 链接：https://pan.baidu.com/s/1mKPiPvmO1BeZPhkwH6F1QQ 提取码：6fzy

3.bloomz

3.1 下载bloomz模型，具体可以点击链接地址进行查看

3.2 编译

3.2.1 自行编译，可以使用make工具进行编译, 具体指令为:

git clone https://github.com/NouamaneTazi/bloomz.cpp && cd bloomz.cpp
make

3.2.2 直接使用已经在Linux编译好的文件，文件见Phoenix/Linux 文件夹，可以直接使用

3.3 使用bloom的量化方案

3.3.1 可以执行如下命令,将Phoenix转换为ggml格式，使用如下指令

python3 convert-hf-to-ggml.py [你下载的模型路径] [你希望存储ggml格式的路径] 

3.3.2 得到指定的ggml文件后，进行4-bits量化，具体指令如下:

./quantize [ggml格式路径] [量化后的格式路径] 2

如：./quantize ./models/ggml-model-bloomz-7b1-f16.bin ./models/ggml-model-bloomz-7b1-f16-q4_0.bin 2

3.4 通过编译的main文件，进行量化后的结果验证:

./main -m models/ggml-model-bloomz-7b1-f16-q4_0.bin  -p 'Translate "Hi, how are you?" in French:' -t 8 -n 256

3.5 对应的量化模型可以点击这里下载

4.Phoenix

4.1 下载Phoenix模型，具体可以点击链接地址进行查看

4.2 因为Phoenix是基于bloom方案，所以可以迁移其量化方案，具体的可以点击这里进行查看，

4.2.1 自行编译，可以使用make工具进行编译, 具体指令为:

git clone https://github.com/NouamaneTazi/bloomz.cpp && cd bloomz.cpp
make

4.2.2 直接使用已经在Linux编译好的文件，文件见Phoenix/Linux 文件夹，可以直接使用

4.3 使用bloom的量化方案

4.3.1 可以执行如下命令,将Phoenix转换为ggml格式，使用如下指令

python3 convert-hf-to-ggml.py [你下载的模型路径] [你希望存储ggml格式的路径] 

如：python3 Phoenix\convert-hf-to-ggml.py .\LLMModel\phoenix-chat-7b ./models

4.3.2 得到指定的ggml文件后，进行4-bits量化，具体指令如下:

./quantize [ggml格式路径] [量化后的格式路径] 2

如：./quantize ./models/ggml-model-bloomz-7b1-f16.bin ./models/ggml-model-bloomz-7b1-f16-q4_0.bin 2

4.3.4 内存/硬盘需求 您需要足够的磁盘空间来保存它们，并需要足够的RAM来加载它们，内存和磁盘需求是相同的，下面是具体的需求。

4.4.4 推理速度

4.4 通过编译的main文件，进行量化后的结果验证:

./main -m models/ggml-model-bloomz-7b1-f16-q4_0.bin  -p 'Translate "Hi, how are you?" in French:' -t 8 -n 256

4.5 可以在下面的百度网盘进行量化模型的下载，分享地址为： 链接：https://pan.baidu.com/s/1iyuREwapZLttfT6VhuKqhQ 提取码：s0us

5.ChatGLM

todo

6.Falcon

todo