三步完成ChatGLM3-6B在英特尔CPU上的INT4量化和部署_chatglm3-6b-int4

作者: 英特尔边缘计算创新大使  刘力

1.1  ChatGLM3-6B简介

ChatGLM3 是智谱AI和清华大学 KEG 实验室联合发布的新一代对话预训练模型。ChatGLM3-6B 是 ChatGLM3 系列中的开源模型，在填写问卷进行登记后亦允许免费商业使用。

引用自：https://github.com/THUDM/ChatGLM3

请使用命令，将ChatGLM3-6B模型下载到本地：

git clone https://www.modelscope.cn/ZhipuAI/chatglm3-6b.git

1.2  BigDL-LLM简介

BigDL-LLM是开源，遵循Apache 2.0许可证，专门用于在英特尔的硬件平台上加速大语言模型（Large Language Model, LLM）推理计算的软件工具包。它是在原有的BigDL框架基础上，为了应对大语言模型在推理过程中对性能和资源的高要求而设计的。BigDL-LLM旨在通过优化和硬件加速技术来提高大语言模型的运行效率，减少推理延迟，并降低资源消耗。

BigDL-LLM的主要特点包括：

1.低精度优化：通过支持INT4/INT5/INT8等低精度格式，减少模型的大小和推理时的计算量，同时保持较高的推理精度。

2.硬件加速：利用英特尔CPU集成的硬件加速技术，如AVX（Advanced Vector Extensions）、VNNI（Vector Neural Network Instructions）和AMX（Advanced Matrix Extensions）等，来加速模型的推理计算。

3.使用方便：对于基于Hugging Face Transformers API的模型，只需修改少量代码即可实现加速，使得开发者可以轻松地在其现有模型上应用BigDL-LLM。

4.性能提升：BigDL-LLM可以显著提高大语言模型在英特尔平台上的运行速度，减少推理时间，特别是在处理大规模模型和复杂任务时。

5.资源友好：通过优化模型运行时的资源使用，BigDL-LLM使得大语言模型可以在资源受限的环境中也能高效运行，如普通的笔记本电脑或服务器。

1.3  使用BigDL-LLM量化并部署ChatGLM3-6B

1.3.1 第一步，创建虚拟环境

请安装Anaconda，然后用下面的命令创建名为llm的虚拟环境

conda create -n llm python=3.9
 
conda activate llm

1.3.2  第二步，安装BigDL-LLM

执行命令：

​pip install --pre --upgrade bigdl-llm[all] -i Simple Index
​

1.3.3  第三步：运行范例程序

范例程序下载地址：https://gitee.com/Pauntech/chat-glm3/blob/master/chatglm3_infer.py

import time
 
from bigdl.llm.transformers import AutoModel
 
from transformers import AutoTokenizer
 
 
 
CHATGLM_V3_PROMPT_FORMAT = "<|user|>\n{prompt}\n<|assistant|>"
 
# 请指定chatglm3-6b的本地路径
 
model_path = "d:/chatglm3-6b"
 
# 载入ChatGLM3-6B模型并实现INT4量化
 
model = AutoModel.from_pretrained(model_path,
 
                                  load_in_4bit=True,
 
                                  trust_remote_code=True)
 
# 载入tokenizer
 
tokenizer = AutoTokenizer.from_pretrained(model_path,
 
                                          trust_remote_code=True)
 
# 制作ChatGLM3格式提示词    
 
prompt = CHATGLM_V3_PROMPT_FORMAT.format(prompt="What is Intel?")
 
# 对提示词编码
 
input_ids = tokenizer.encode(prompt, return_tensors="pt")
 
st = time.time()
 
# 执行推理计算，生成Tokens
 
output = model.generate(input_ids,max_new_tokens=32)
 
end = time.time()
 
# 对生成Tokens解码并显示
 
output_str = tokenizer.decode(output[0], skip_special_tokens=True)
 
print(f'Inference time: {end-st} s')
 
print('-'*20, 'Prompt', '-'*20)
 
print(prompt)
 
print('-'*20, 'Output', '-'*20)
 
print(output_str)

运行结果，如下所示：

1.3.4  ChatGLM3-6B WebUI demo

请先安装依赖软件包：

​pip install gradio mdtex2html streamlit -i https://mirrors.aliyun.com/pypi/simple/
​

下载范例程序：https://gitee.com/Pauntech/chat-glm3/blob/master/chatglm3_web_demo.py

然后运行：

streamlit run chatglm3_web_demo.py

运行结果如下：

三步完成ChatGLM3-6B在CPU上的INT4量化和部署视频

1.4  总结

BigDL-LLM工具包简单易用，仅需三步即可完成虚拟环境创建、BigDLL-LLM安装以及ChatGLM3-6B模型的INT4量化以及在英特尔CPU上的部署。

作者简介：

刘力，深圳市铂盛科技有限公司的创始人，英特尔边缘计算创新大使。带领团队成功设计了多种计算机系统，并申请了多项专利和软件著作，铂盛科技为国家高新技术企业，深圳市专精特新企业。铂盛通过整合算力和算法，打造软硬件一体化的AIPC解决方案，目前产品已在工业控制、智能机器人、教育、医疗、金融等多个边缘计算领域得到广泛应用。

联系方式

电话：13537819699

Email：leo.liu@pasuntech.com