Zmenšení modelů pomocí kvantizace

Fine-Tuning s Llama 3

Francesca Donadoni

Curriculum Manager, DataCamp

Co je kvantizace?

Snížení přesnosti modelu
Z 32bitového float na:
- 8bitové celé číslo
- 4bitové celé číslo
Kvantizace s ohledem na trénování

Abstraktní blok.jpg

Typy kvantizace

Kvantizace vah: snížení přesnosti vah
Kvantizace aktivací: snížení přesnosti aktivačních hodnot
Post-tréninková kvantizace: snížení přesnosti modelu po trénování

Konfigurace kvantizace pomocí bitsandbytes

from transformers import BitsAndBytesConfig

bnb_config = BitsAndBytesConfig(

nastavení přesnosti (load_in_4_bit, load_in_8_bit)

    load_in_4bit=True,

nastavení typu kvantizace ('fp4' nebo 4bitový float, 'nf4' nebo normalizovaný 4bitový float)

    bnb_4bit_quant_type="nf4",

nastavení výpočetní přesnosti (32bitový float nebo 16bitový bfloat)

    bnb_4bit_compute_dtype=torch.bfloat16)

Načtení modelu s kvantizací

from transformers import BitsAndBytesConfig, AutoModelForCausalLM

bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16
)

model = AutoModelForCausalLM.from_pretrained(
    "nvidia/Llama3-ChatQA-1.5-8B",

    quantization_config=bnb_config

)

Použití kvantizovaného modelu

promptstr = """System: You are a helpful chatbot who answers questions about planets.
User: Explain the history of Mars
Assistant: """

inputs = tokenizer.encode(promptstr, return_tensors="pt")

outputs = model.generate(inputs, max_length=200)

decoded_outputs = tokenizer.decode(outputs[0, inputs.shape[1]:], skip_special_tokens = True)

print(decoded_outputs)

Here is a brief history of Mars:
- 4.6 billion years ago: Mars formed as part of the solar system.
- 3.8 billion years ago: Mars had a thick atmosphere and liquid water on its surface.
- 3.8 billion years ago to 3.5 billion years ago: Mars lost its magnetic field and atmosphere, 
and became a cold, dry planet.
- 3.5 billion years ago to present: Mars has been cold and dry, with a thin atmosphere.

Doladění kvantizovaného modelu

Plná kvantizace nepodporuje doladění
Adaptace LoRA

trainer = SFTTrainer(
    model=model,

    peft_config=peft_config,

    train_dataset=ds,
    max_seq_length=250,
    dataset_text_field='conversation',
    tokenizer=tokenizer,
    args=training_arguments

)

trainer.train()

Pojďme si procvičit!

Fine-Tuning s Llama 3