跳到主要内容

​
使用英特尔 Transformers 扩展包（Intel Extension for Transformers）流水线对 Huggingface 模型进行仅权重（Weight-Only）量化

Hugging Face 模型可以通过 WeightOnlyQuantPipeline 类进行仅权重（Weight-Only）量化，并在本地运行。 Hugging Face 模型中心托管着超过 12 万个模型、2 万个数据集和 5 万个演示应用程序（Spaces），所有这些都是开源和公开可用的，它是一个在线平台，人们可以在其中轻松协作并共同构建机器学习。 这些模型可以通过这个本地流水线包装器类从 LangChain 调用。 要使用它，您应该安装 transformers Python 包，以及 pytorch 和 intel-extension-for-transformers。
pip install transformers --quiet
pip install intel-extension-for-transformers

​
模型加载

模型可以通过 from_model_id 方法指定模型参数来加载。模型参数包括 intel_extension_for_transformers 中的 WeightOnlyQuantConfig 类。 
from intel_extension_for_transformers.transformers import WeightOnlyQuantConfig
from langchain_community.llms.weight_only_quantization import WeightOnlyQuantPipeline

conf = WeightOnlyQuantConfig(weight_dtype="nf4")
hf = WeightOnlyQuantPipeline.from_model_id(
    model_id="google/flan-t5-large",
    task="text2text-generation",
    quantization_config=conf,
    pipeline_kwargs={"max_new_tokens": 10},
)
它们也可以通过直接传入现有的 transformers 管道来加载 
from intel_extension_for_transformers.transformers import AutoModelForSeq2SeqLM
from transformers import AutoTokenizer, pipeline

model_id = "google/flan-t5-large"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSeq2SeqLM.from_pretrained(model_id)
pipe = pipeline(
    "text2text-generation", model=model, tokenizer=tokenizer, max_new_tokens=10
)
hf = WeightOnlyQuantPipeline(pipeline=pipe)

​
创建链

将模型加载到内存后，您可以将其与提示组合以形成一个链。 
from langchain_core.prompts import PromptTemplate

template = """Question: {question}

Answer: Let's think step by step."""
prompt = PromptTemplate.from_template(template)

chain = prompt | hf

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))

​
CPU 推理

目前 intel-extension-for-transformers 仅支持 CPU 设备推理。很快将支持英特尔 GPU。当在具有 CPU 的机器上运行时，您可以指定 device="cpu" 或 device=-1 参数将模型放在 CPU 设备上。默认为 -1 表示 CPU 推理。 
conf = WeightOnlyQuantConfig(weight_dtype="nf4")
llm = WeightOnlyQuantPipeline.from_model_id(
    model_id="google/flan-t5-large",
    task="text2text-generation",
    quantization_config=conf,
    pipeline_kwargs={"max_new_tokens": 10},
)

template = """Question: {question}

Answer: Let's think step by step."""
prompt = PromptTemplate.from_template(template)

chain = prompt | llm

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))

​
批量 CPU 推理

您还可以在批处理模式下在 CPU 上运行推理。 
conf = WeightOnlyQuantConfig(weight_dtype="nf4")
llm = WeightOnlyQuantPipeline.from_model_id(
    model_id="google/flan-t5-large",
    task="text2text-generation",
    quantization_config=conf,
    pipeline_kwargs={"max_new_tokens": 10},
)

chain = prompt | llm.bind(stop=["\n\n"])

questions = []
for i in range(4):
    questions.append({"question": f"What is the number {i} in french?"})

answers = chain.batch(questions)
for answer in answers:
    print(answer)

​
英特尔 Transformers 扩展包支持的数据类型

我们支持将权重量化为以下数据类型进行存储（WeightOnlyQuantConfig 中的 weight_dtype）
  • int8：使用 8 位数据类型。
  • int4_fullrange：与正常的 int4 范围 [-7,7] 相比，使用 int4 范围的 -8 值。
  • int4_clip：剪切并保留 int4 范围内的值，将其他值设置为零。
  • nf4：使用归一化浮点 4 位数据类型。
  • fp4_e2m1：使用常规浮点 4 位数据类型。“e2”表示 2 位用于指数，“m1”表示 1 位用于尾数。
虽然这些技术将权重存储在 4 位或 8 位中，但计算仍然以 float32、bfloat16 或 int8（WeightOnlyQuantConfig 中的 compute_dtype）进行
  • fp32：使用 float32 数据类型进行计算。
  • bf16：使用 bfloat16 数据类型进行计算。
  • int8：使用 8 位数据类型进行计算。

​
支持的算法矩阵

intel-extension-for-transformers 中支持的量化算法（WeightOnlyQuantConfig 中的 algorithm）
算法PyTorchLLM 运行时
RTN✔✔
AWQ✔敬请期待
TEQ✔敬请期待
RTN： 一种我们直观上很好理解的量化方法。它不需要额外的数据集，是一种非常快速的量化方法。一般来说，RTN 会将权重转换为均匀分布的整数数据类型，但某些算法，例如 Qlora，提出了非均匀的 NF4 数据类型并证明了其理论最优性。
AWQ： 证明了仅保护 1% 的显著权重可以大大减少量化误差。显著权重通道是通过观察每个通道的激活和权重分布来选择的。显著权重在量化前乘以一个大的比例因子以进行保存。
TEQ： 一种可训练的等效变换，在仅权重（Weight-Only）量化中保留 FP32 精度。它受到 AWQ 的启发，同时提供了一种新的解决方案来寻找激活和权重之间最佳的每通道缩放因子。
在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.