简单两步使用OpenVINO搞定Qwen1.5的量化到部署_qwen1.5-32b 3090显卡能部署嘛

作者：杨亦诚

工具介绍

英特尔 OpenVINO™ 工具套件是一款开源 AI 推理优化部署的工具套件，可帮助开发人员和企业加速生成式人工智能 (AIGC)、大语言模型、计算机视觉和自然语言处理等 AI 工作负载，简化深度学习推理的开发和部署，便于实现从边缘到云的跨英特尔® 平台的异构执行。

模型介绍

近期通义千问团队发布了其 Qwen 大模型的第二代架构 Qwen2，这是一个基于 Transformer 结构 decoder-only 模型，而 Qwen1.5 作为 Qwen2 架构的 Beta 版本，已经率先在 Hugging Face 及魔搭社区进行了发布。

Qwen1.5 版本本次开源了包括 0.5B、1.8B、4B、7B、14B 和 72B 在内的六种大小的基础和聊天模型，同时，也开源了量化模型。不仅提供了 Int4 和 Int8 的 GPTQ 模型，还有 AWQ 模型，以及 GGUF 量化模型。为了提升开发者体验，Qwen1.5 的代码合并到 Hugging Face Transformers 中，开发者现在可以直接使用 transformers>=4.37.0 而无需 trust_remote_code。此外，Qwen1.5 支持了例如 vLLM、SGLang、AutoGPTQ 等框架对Qwen1.5的支持。Qwen1.5 显著提升了聊天模型与人类偏好的一致性，并且改善了它们的多语言能力。所有模型提供了统一的上下文长度支持，支持 32K 上下文, 基础语言模型的质量也有所改进。

图：基于Optimum-intel与OpenVINO™部署生成式AI模型流程

英特尔为开发者提供了快速部署 Qwen2的方案支持。开发者只需要在 GitHub 上克隆 示例仓库，进行环境配置，并将  Hugging Face 模型转换为 OpenVINO™ IR 模型，即可进行模型推理。由于大部分步骤都可以自动完成，因此开发者只需要简单的工作便能完成部署，目前该仓库也被收录在 Qwen1.5 的官方仓库中，接下来让我们一起看下具体的步骤和方法：

1. 模型转换与量化

当您按仓库中的 README 文档完成集成环境配置后，可以直接通过以下命令运行模型的转化脚本，这里我们以 0.5B 版本的 Qwen1.5 为例：

python3 convert.py --model_id Qwen/Qwen1.5-0.5B-Chat --output {your_path}/Qwen1.5-0.5B-Chat-ov

这里首先会基于 Transformers 库从 Hugging Face 的 model hub 中下载并加载原始模型的 PyTorch 对象，如果开发者在这个过程中无法访问 Hugging Face 的 model hub，也可以通过配置环境变量的方式，将模型下载地址更换为镜像网站或者通过魔搭社区下载，并将 convert.py 脚本的 model_id 参数配置为本地路径，具体方法如下：

$env:HF_ENDPOINT = https://hf-mirror.com
 
huggingface-cli download --resume-download --local-dir-use-symlinks False Qwen/Qwen1.5-0.5B-Chat --local-dir {your_path}/Qwen1.5-0.5B-Chat
 
python3 convert.py --model_id  {your_path}/Qwen1.5-0.5B-Chat --output {your_path}/ Qwen1.5-0.5B-Chat-ov
 

在完成模型下载后，该脚本会利用 Optimum-intel 库中的 OVModelForCausalLM .from_pretrained 函数自动完成对模型格式的转换，同时该函数也会根据用户指定的模型精度和配置信息，调用 NNCF 工具完成模型的权重量化。执行完毕后，你将获取一个由 .xml 和 .bin 文件所构成的 OpenVINO™ IR 模型文件，该模型默认以 int4+int8 的混合精度保存，此外你也可以通过配置 —precision，来选择不同的模型精度，例如 —precision int8或者 —precision fp16。

图：量化前后模型大小比较

可以看到相较原始 PyTorch 模型，经过 INT4 量化后的模型大小减少将近3/4。此外在这个过程中， int4+int8 量化比例也会自动打印在终端界面上，如下图所示。

图：量化比例输出

由于 OpenVINO™  NNCF 工具的权重压缩策略只针对于大语言模型中的 Embedding 和 Linear 这两种算子，所以该表格只会统计这两类算子的量化比例。其中 ratio-defining parameter 是指我们提前通过接口预设的混合精度比例，也就是 20% 权重以 INT8 表示，80% 以 INT4 表示，这也是考虑到量化对 Qwen1.5 模型准确度的影响，事先评估得到的配置参数，开发者也可以通过修改 Python 脚本中的默认配置调整量化参数：

compression_configs = {
"sym": False,
"group_size": 128,
"ratio": 0.8,
}

其中：

• sym 为选择是否开启对称量化策略，对称量化会进一步提升模型运行速度，但也会在一定程度上降低模型准确性。
• group_size 为共享量化参数的通道数量，该值越大，压缩比也越高，反之，对模型准确性的影响越小。
• ratio 则是 INT4 权重和 INT8 权重的混合精度比例。

更多可配置量化参数也可以参考 OpenVINO™ 官方文档。如果遇到新模型，同时不知道如何选择量化参数以获取性能和准确度的最大平衡，开发者也可以通过 这个示例 搜索出适合其他模型的量化参数。此外鉴于 LLM 第一层 Embedding layer 和最后一层操作对于输出准确度的影响， NNCF 默认会将他们以 INT8 表示，这也是为何在这个示例的 log 打印中，all parameters 显示的混合精度比例会有所不同。当然开发者也可以通过在量化参数中设置 “all_layers”: True，开关闭该默认策略。

2. 模型部署

最后一步就是模型部署了，这里展示的是一个 Chatbot 聊天机器人的示例，这也是 LLM 应用中最普遍，也是最基础的 pipeline，而 OpenVINO™  可以通过 Optimum-intel 工具为桥梁，复用 Transformers 库中预置的 pipeline，基于 OVModelForCausalLM 类中的 generate 方法，进行文本生成任务部署，以下为该脚本的运行方式：

python3 chat.py --model_path {your_path}/Qwen1.5-0.5B-Chat-ov --max_sequence_length 4096 --device CPU

如果开发者的设备中包含 Intel 的GPU产品，例如 Intel ARC 系列集成显卡或是独立显卡，可以在这个命令中将 device 参数改为 GPU，以激活更强大的模型推理能力。

在终端里运行该脚本后，会生成一个简易聊天对话界面，接下来你就可以验证它的效果和性能了。

====Starting conversation====
用户: 你好
Qwen2-OpenVINO: 你好！有什么我可以帮助你的吗？
 
用户: 你是谁？
Qwen2-OpenVINO: 我是来自阿里云的超大规模语言模型，我叫通义千问。
 
用户: 请给我讲一个故事
Qwen2-OpenVINO: 好的，这是一个关于一只小兔子和它的朋友的故事。
 
有一天，小兔子和他的朋友们决定去森林里探险。他们带上食物、水和一些工具，开始了他们的旅程。在旅途中，他们遇到了各种各样的动物，包括松鼠、狐狸、小鸟等等。他们一起玩耍、分享食物，还互相帮助解决问题。最后，他们在森林的深处找到了一个神秘的洞穴，里面藏着许多宝藏。他们带着所有的宝藏回到了家，庆祝这次愉快的冒险。
 
用户: 请为这个故事起个标题
Qwen2-OpenVINO: "小兔子与朋友们的冒险之旅"

总结

通过模型转换量化+部署这两个步骤，我们可以轻松实现 在本地 PC 上部署 Qwen2 大语言模型，经测试该模型可以流畅运行在最新的 Intel Core Ultra 异构平台及至强 CPU 平台上，作为众多 AI agent 和 RAG 等创新应用的核心基石，大语言模型的本地部署能力将充分帮助开发者们打造更安全，更高效的 AI 解决方案。

项目地址：https://github.com/OpenVINO-dev-contest/Qwen2.openvino