Transformers documentation
EETQ
EETQ
Easy & Efficient Quantization for Transformers (EETQ) 라이브러리는 NVIDIA GPU를 위한 int8 weight-only per-channel 양자화를 지원합니다. FasterTransformer와 TensorRT-LLM의 고성능 GEMM 및 GEMV 커널을 사용합니다. 어텐션 레이어는 FlashAttention2로 최적화되어 있습니다. 보정 데이터셋이 필요하지 않으며, 모델을 사전 양자화할 필요도 없습니다. per-channel 양자화 덕분에 정확도 저하는 무시할 수 있는 수준입니다.
EETQ는 PEFT를 통한 fine-tuning을 추가로 지원합니다.
EETQ는 릴리스 페이지 또는 소스 코드에서 설치할 수 있습니다. EETQ에는 CUDA 11.4 이상이 필요합니다.
릴리스 페이지
소스 코드
pip install --no-cache-dir https://github.com/NetEase-FuXi/EETQ/releases/download/v1.0.0/EETQ-1.0.0+cu121+torch2.1.2-cp310-cp310-linux_x86_64.whl
git clone https://github.com/NetEase-FuXi/EETQ.git
cd EETQ/
git submodule update --init --recursive
pip install .EetqConfig에서 양자화 데이터 유형을 정의하여 모델을 온더플라이로 양자화합니다.
from transformers import AutoModelForCausalLM, EetqConfig
quantization_config = EetqConfig("int8")
model = AutoModelForCausalLM.from_pretrained(
"meta-llama/Llama-3.1-8B",
dtype="auto",
device_map="auto",
quantization_config=quantization_config
)양자화된 모델을 save_pretrained()로 저장하여 from_pretrained()로 다시 사용할 수 있도록 합니다.
quant_path = "/path/to/save/quantized/model"
model.save_pretrained(quant_path)
model = AutoModelForCausalLM.from_pretrained(quant_path, device_map="auto")