大模型的量化

https://developer.baidu.com/article/details/3211764

一、大模型量化的基本概念

大模型量化，简单来说，就是将深度学习模型的浮点运算转换为整型运算的过程。在默认情况下，模型使用32位浮点数进行所有预测计算，这使得模型变得非常大。通过量化技术，我们可以将这些浮点数转换为更低精度的整数，从而显著减少模型的存储空间和计算时间。需要注意的是，量化过程中可能会损失一定的精度，但通常这种损失在可接受范围内。

二、大模型量化的技术原理

大模型量化的核心思想是利用数学变换和编码技术，将浮点数的存储和运算转换为整数的存储和运算。具体来说，量化过程包括两个主要步骤：前向量化和反向量化。

前向量化是将浮点数转换为整数的过程。在这个过程中，我们将浮点数的范围映射到一个整数范围内，并将浮点数转换为对应的整数。这个映射过程通常是通过一个缩放因子和一个偏移量来实现的。缩放因子用于调整整数的范围，使其能够覆盖浮点数的范围；偏移量则用于将浮点数的零点映射到整数的零点。

反向量化是将整数转换回浮点数的过程。这个过程是前向量化的逆操作，用于在推理过程中将整数还原为浮点数，以便进行后续的运算。

三、大模型量化的实际应用

大模型量化技术在实际应用中具有广泛的用途。首先，它可以显著减少模型的存储需求，使得在资源有限的设备上部署大型模型成为可能。例如，在手机、嵌入式设备等资源受限的环境中，通过量化技术可以使得深度学习模型的应用变得更加容易和高效。

其次，大模型量化技术还可以加快模型的推理速度。由于整型运算比浮点运算更快，因此量化后的模型在推理过程中可以获得更高的运行速度。这对于实时性要求较高的应用来说非常重要，如语音识别、图像识别等。

https://github.com/yuanzhoulvpi2017/zero_nlp/wiki/%E5%A4%A7%E6%A8%A1%E5%9E%8B%E7%9A%84%E9%87%8F%E5%8C%96%E4%B9%8B%E8%B7%AF%E2%80%94%E2%80%94transformers%E6%98%AF%E5%A6%82%E4%BD%95%E7%BB%99%E6%A8%A1%E5%9E%8B%E6%B7%BB%E5%8A%A0%E4%B8%8A%E9%87%8F%E5%8C%96%E5%8A%9F%E8%83%BD%E7%9A%84%E3%80%90transformers%E6%BA%90%E7%A0%81%E9%98%85%E8%AF%BB%E3%80%91

背景

1. 现在 nlp 模型，动不动就 7b、13b 的，有的甚至更大，如果直接使用 bfloat16 加载推理、训练，需要太大的显存了。
2. 于是现在大家都在用 int4、int8 对这种 100b 以上的模型、对 60b 以上的模型做量化。量化之后的模型，虽然效果会变差，但是好像效果还不错。
3. 有的人，甚至结合 lora，做了 qlora。比如这个项目https://github.com/artidoro/qlora，现在很火~
4. 现在，在最新的 transformers 包里面，已经集成了相关的方法，你可以使用 int4、int8 对任何 transformers 家族的模型做量化。而且就传递几个参数即可。很简单。
5. 现在的 int4、int8 方法实现，包括 transformers 集成的量化方法，基本上都是基于 bitsandbytes 包的。

问题

1. 我就是很好奇，transformers 包，到底怎么做的，就加个参数，就可以量化模型了。
2. 这个量化，到底是怎么量化的。懒得看论文了，就看代码吧。