FBGEMM

FBGEMM（Facebook GEneral Matrix Multiplication）是一个面向小批量场景的低精度矩阵乘法库，支持行级量化和离群值感知量化等精度损失最小化技术。借助 FBGEMM，可将模型权重量化为 8 位/通道，并将激活值量化为 8 位/token（也称为 fp8 或 w8a8）。

您需要一个具有计算能力 9+ 的 GPU，例如 H100。

使用以下命令安装 FBGEMM_GPU 包，以确保您拥有最新版本。

pip install --upgrade accelerate fbgemm-gpu torch

如果安装遇到问题，请尝试安装 nightly release。

创建一个 FbgemmFp8Config 并将其传递给 from_pretrained()，以将模型量化为 fp8。

from transformers import FbgemmFp8Config, AutoModelForCausalLM

quantization_config = FbgemmFp8Config()
quantized_model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Meta-Llama-3-8B",
    dtype="auto",
    device_map="auto",
    quantization_config=quantization_config
)

save_pretrained() 和 from_pretrained() 支持保存和加载量化模型。

quant_path = "/path/to/save/quantized/model"
quantized_model.save_pretrained(quant_path)
model = AutoModelForCausalLM.from_pretrained(quant_path, device_map="auto")

资源

阅读开源 FBGEMM 以实现最先进的服务器端推理博客文章，了解更多关于 FBGEMM 的详细信息。

Update on GitHub

Transformers

FBGEMM

资源