大型语言模型（LLM）在各种任务上展现出卓越的性能，但其庞大的体积和巨大的计算量也让它们成为了资源消耗的大户。例如，GPT-3模型拥有1750亿个参数，需要至少350GB的内存来存储和运行，仅推理就需要8台48GB A6000 GPU或5台80GB A100 GPU。巨大的计算和通信开销也导致了推理延迟，这在实际应用中难以接受。
量化是一种很有前景的降低LLM成本的方法。通过将权重和激活值用低位整数表示，我们可以减少GPU内存需求，并加速计算密集型操作，例如线性层中的通用矩阵乘法（GEMM）和注意力机制中的批量矩阵乘法（BMM）。例如，INT8量化可以将GPU内存使用量减半，并将矩阵乘法的吞吐量提高近一倍。
然而，与CNN模型或BERT等较小的Transformer模型不同，LLM的激活值难以量化。当LLM的参数量超过67亿时，激活值中会系统性地出现大量值，导致量化误差增大，精度下降。
SmoothQuant 是一种针对LLM的无训练、精度保持、通用型后训练量化（PTQ）解决方案，它可以实现LLM的8位权重、8位激活值（W8A8）量化。SmoothQuant基于一个关键观察：权重易于量化，而激活值则不然。
SmoothQuant的原理
SmoothQuant通过离线迁移量化难度，将激活值中的异常值平滑化，从而使模型更容易被量化。具体来说，SmoothQuant提出了一种数学等效的逐通道缩放变换，可以显著平滑通道间的幅度，使模型更容易被量化。
SmoothQuant的优势
- 高精度: SmoothQuant能够保持LLM的精度，即使在最激进、最高效的量化设置下，也能与FP16模型的性能相媲美。
- 高效率: SmoothQuant可以显著加速推理速度，并减少内存使用量，例如，在OPT-175B模型上，SmoothQuant可以实现1.56倍的加速和2倍的内存节省。
- 易于实现: SmoothQuant易于集成到各种框架中，例如PyTorch和FasterTransformer。
- 可扩展性: SmoothQuant可以应用于各种LLM架构，包括OPT、BLOOM、GLM、MT-NLG、Llama-1/2、Falcon、Mistral和Mixtral模型。
SmoothQuant的应用
SmoothQuant可以将大型模型（如OPT-175B）的推理所需GPU数量减半，同时还能提升推理速度，甚至可以将530B的模型部署到单个8-GPU节点上。
总结
SmoothQuant为降低LLM的部署成本提供了便捷的解决方案，它可以显著提高LLM的效率，并推动LLM在更多领域的应用。
参考文献