| title | thumbnail | authors | translators | |||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
笔记本电脑上的聊天机器人：在英特尔 Meteor Lake 上运行 Phi-2 |
/blog/assets/phi2-intel-meteor-lake/02.jpg |
|
|
对应于其强大的能力，大语言模型 (LLM) 需要强大的算力支撑，而个人计算机上很难满足这一需求。因此，我们别无选择，只能将它们部署至由本地或云端托管的性能强大的定制 AI 服务器上。
如果我们可以在典配个人计算机上运行最先进的开源 LLM 会如何？好处简直太多了：
- 增强隐私保护：私有数据不需要发送至外部 API 进行推理。
- 降低延迟：节省网络往返的次数。
- 支持离线工作：用户可以在没有网络连接的情况下使用 LLM（常旅客的梦想！）。
- 降低成本：无需在 API 调用或模型托管上花一分钱。
- 可定制：每个用户都可以找到最适合他们日常工作任务的模型，甚至可以对其进行微调或使用本地检索增强生成（RAG）来提高适配度。
这一切的一切都太诱人了！那么，为什么我们没有这样做呢？回到我们的开场白，一般典配笔记本电脑没有足够的计算能力来运行具有可接受性能的 LLM。它们既没有数千核的 GPU，也没有快如闪电的高内存带宽。
接受失败，就此放弃？当然不！
聪明的人类总能想到法子把一切东西变得更小、更快、更优雅、更具性价比。近几个月来，AI 社区一直在努力在不影响其预测质量的前提下缩小模型。其中，有三个领域的进展最振奋人心：
-
硬件加速：现代 CPU 架构内置了专门用于加速最常见的深度学习算子（如矩阵乘或卷积）的硬件，这使得在 AI PC 上使能新的生成式 AI 应用并显著提高其速度和效率成为可能。
-
小语言模型（Small Language Models，SLMs）：得益于在模型架构和训练技术上的创新，这些小模型的生成质量与大模型相当甚至更好。同时，由于它们的参数较少，推理所需的计算和内存也较少，因此非常适合资源受限的设备。
-
量化：量化技术通过减少模型权重和激活的位宽来降低内存和计算要求，如将权重和激活从 16 位浮点（
fp16）降至 8 位整型（int8）。减少位宽意味着模型推理时的内存需求更少，因而能加速内存受限步骤（如文本生成的解码阶段）的延迟。此外，权重和激活量化后，能充分利用 AI 加速器的整型运算加速模块，因而可以加速矩阵乘等运算。
本文，我们将综合利用以上三种技术对微软 Phi-2 模型进行 4 比特权重量化，随后在搭载英特尔 Meteor Lake CPU 的中端笔记本电脑上进行推理。在此过程中，我们主要使用集成了英特尔 OpenVINO 的 Hugging Face Optimum Intel 库。
注意：如果你想同时量化权重和激活的话，可参阅该文档。
我们开始吧。
英特尔 Meteor Lake 于 2023 年 12 月推出，现已更名为 Core Ultra，其是一个专为高性能笔记本电脑优化的全新架构。
Meteor Lake 是首款使用 chiplet 架构的英特尔客户端处理器，其包含：
-
高至 16 核的高能效 CPU，
-
集成显卡 (iGPU)：高至 8 个 Xe 核心，每个核心含 16 个 Xe 矢量引擎（Xe Vector Engines，XVE）。顾名思义，XVE 可以对 256 比特的向量执行向量运算。它还支持 DP4a 指令，该指令可用于计算两个宽度为 4 字节的向量的点积，将结果存储成一个 32 位整数，并将其与另一个 32 位整数相加。
-
神经处理单元 (Neural Processing Unit，NPU)，是英特尔架构的首创。NPU 是专为客户端 AI 打造的、高效专用的 AI 引擎。它经过优化，可有效处理高计算需求的 AI 计算，从而释放主 CPU 和显卡的压力，使其可处理其他任务。与利用 CPU 或 iGPU 运行 AI 任务相比，NPU 的设计更加节能。
为了运行下面的演示，我们选择了一台搭载了 Core Ultra 7 155H CPU 的中端笔记本电脑。现在，我们选一个可爱的小语言模型到这台笔记本电脑上跑跑看吧！
注意：要在 Linux 上运行此代码，请先遵照此说明安装 GPU 驱动。
微软于 2023 年 12 月发布了 Phi-2 模型，它是一个 27 亿参数的文本生成模型。
微软给出的基准测试结果表明，Phi-2 并未因其较小的尺寸而影响生成质量，其表现优于某些最先进的 70 亿参数和 130 亿参数的 LLM，甚至与更大的 Llama-2 70B 模型相比也仅有一步之遥。
这使其成为可用于笔记本电脑推理的有利候选。另一个候选是 11 亿参数的 TinyLlama 模型。
现在，让我们看看如何缩小模型以使其更小、更快。
英特尔 OpenVINO 是一个开源工具包，其针对许多英特尔硬件平台对 AI 推理工作负载进行优化（Github、文档），模型量化是其重要特性之一。
我们与英特尔合作，将 OpenVINO 集成至 Optimum Intel 中，以加速 Hugging Face 模型在英特尔平台上的性能（Github，文档）。
首先，请确保你安装了最新版本的 optimum-intel 及其依赖库：
pip install --upgrade-strategy eager optimum[openvino,nncf]optimum-intel 支持用户很容易地把 Phi-2 量化至 4 比特。我们定义量化配置，设置优化参数，并从 Hub 上加载模型。一旦量化和优化完成，我们可将模型存储至本地。
from transformers import AutoTokenizer, pipeline
from optimum.intel import OVModelForCausalLM, OVWeightQuantizationConfig
model_id = "microsoft/phi-2"
device = "gpu"
# Create the quantization configuration with desired quantization parameters
q_config = OVWeightQuantizationConfig(bits=4, group_size=128, ratio=0.8)
# Create OpenVINO configuration with optimal settings for this model
ov_config = {"PERFORMANCE_HINT": "LATENCY", "CACHE_DIR": "model_cache", "INFERENCE_PRECISION_HINT": "f32"}
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = OVModelForCausalLM.from_pretrained(
model_id,
export=True, # export model to OpenVINO format: should be False if model already exported
quantization_config=q_config,
device=device,
ov_config=ov_config,
)
# Compilation step : if not explicitly called, compilation will happen before the first inference
model.compile()
pipe = pipeline("text-generation", model=model, tokenizer=tokenizer)
results = pipe("He's a dreadful magician and")
save_directory = "phi-2-openvino"
model.save_pretrained(save_directory)
tokenizer.save_pretrained(save_directory)ratio 参数用于控制将多少权重量化为 4 比特（此处为 80%），其余会量化至 8 比特。group_size 参数定义了权重量化组的大小（此处为 128），每个组都具有独立的缩放因子。减小这两个值通常会提高准确度，但同时会牺牲模型尺寸和推理延迟。
你可以从我们的文档中获取更多有关权重量化的信息。
注意：你可在 Github 上找到完整的文本生成示例 notebook。
那么，在我们的笔记本电脑上运行量化模型究竟有多快？请观看以下视频亲自体验一下！播放时，请选择 1080p 分辨率以获得最大清晰度。
在第一个视频中，我们向模型提了一个高中物理问题：“Lily has a rubber ball that she drops from the top of a wall. The wall is 2 meters tall. How long will it take for the ball to reach the ground?”
<iframe width="100%" style="aspect-ratio: 16 / 9;"src="https://www.youtube.com/embed/nTNYRDORq14" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>在第二个视频中，我们向模型提了一个编码问题：“Write a class which implements a fully connected layer with forward and backward functions using numpy. Use markdown markers for code.”
<iframe width="100%" style="aspect-ratio: 16 / 9;"src="https://www.youtube.com/embed/igWrp8gnJZg" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>如你所见，模型对这两个问题生成的答案质量都非常高。量化加快了生成速度，但并没有降低 Phi-2 的质量。我本人很愿意在我的笔记本电脑上每天使用这个模型。
借助 Hugging Face 和英特尔的工作，现在你可以在笔记本电脑上运行 LLM，并享受本地推理带来的诸多优势，如隐私、低延迟和低成本。我们希望看到更多好模型能够针对 Meteor Lake 平台及其下一代平台 Lunar Lake 进行优化。Optimum Intel 库使得在英特尔平台上对量化模型变得非常容易，所以，何不试一下并在 Hugging Face Hub 上分享你生成的优秀模型呢？多多益善！
下面列出了一些可帮助大家入门的资源：
如若你有任何问题或反馈，我们很乐意在 Hugging Face 论坛上解答。
感谢垂阅！
英文原文: https://huggingface.co/blog/phi2-intel-meteor-lake 原文作者：Julien Simon，Ella Charlaix，Ofir Zafrir，Igor Margulis，Guy Boudoukh，Moshe Wasserblat 译者: Matrix Yao (姚伟峰)，英特尔深度学习工程师，工作方向为 transformer-family 模型在各模态数据上的应用及大规模模型的训练推理。