开发者实战｜三步完成 Llama3.2 在算力魔方的 INT4 量化和部署-优快云博客

点击蓝字

关注我们,让开发变得更有趣

作者 | 刘力算力魔方创始人

OpenVINO™

前面我们分享了《三步完成 Llama3 在算力魔方的本地量化和部署》。2024年9月25日，Meta 又发布了 Llama3.2：一个多语言大型语言模型（LLMs）的集合，其中包括：

大语言模型：1B和3B参数版本，仅接收多种语言文本输入。

多模态模型：11B和90B参数版本，既能接收文本输入又能接收图像输入。

本文将介绍使用 OpenVINO™ 2024.4 在算力魔方上部署 Llama-3.2-1B-Instruct 模型。

OpenVINO™

Llama 3.2 简介

Llama 3.2 的1B和3B参数版本是一个支持多种语言大型语言模型，其指令调优纯文本模型 Llama-3.2-1B-Instruct 和 Llama-3.2-3B-Instruct，针对多语言对话用例进行了优化，包括代理检索和摘要任务，性能参数如下图所示。

Llama3.2 官方正式支持的语言包括英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语。

请读者用下面的命令把 Llama-3.2-1B-Instruct 模型的预训练权重下载到本地待用。

git clone

https://www.modelscope.cn/LLM-Research/Llama-3.2-1B-Instruct.git

OpenVINO™

算力魔方简介

算力魔方是一款可以 DIY 的迷你主机，采用了抽屉式设计，后续组装、升级、维护只需要拔插模块。通过选择不同算力的计算模块，再搭配不同的 IO 模块可以组成丰富的配置，适应不同场景。

性能不够时，可以升级计算模块提升算力；IO 接口不匹配时，可以更换 IO 模块调整功能，而无需重构整个系统。

本文以下所有步骤将在带有英特尔 i7-1265U 处理器的算力魔方上完成验证。

OpenVINO™

三步完成 Llama-3.2-1B-Instruct 的 INT4 量化和本地部署

把 Llama-3.2-1B-Instruct 模型的预训练权重下载到本地后，接下来本文将依次介绍基于 Optimum Intel 工具将 Llama-3.2-1B-Instruct 进行 INT4 量化，并完成本地部署。

Optimum Intel 作为 Transformers 和 Diffusers 库与 Intel 提供的各种优化工具之间的接口层，它给开发者提供了一种简便的使用方式，让这两个库能够利用 Intel 针对硬件优化的技术，例如：OpenVINO™、IPEX 等，加速基于 Transformer 或 Diffusion 构架的 AI 大模型在英特尔硬件上的推理计算性能。

Optimum Intel代码仓连接：

https://github.com/huggingface/optimum-intel

1.3.1 第一步，搭建开发环境

请下载并安装 Anaconda，然后用下面的命令创建并激活名为 llama32 的虚拟环境：

conda create -n llama32 python=3.11#创建虚拟环境
conda activate llama32#激活虚拟环境
python -m pip install --upgrade pip #升级pip到最新版本

然后安装 Optimum Intel 和其依赖项 OpenVINO™：

pip install optimum-intel[openvino]

1.3.2 第二步，用 optimum-cli 对 Llama-3.2-1B-Instruct 型进行 INT4 量化

optimum-cli 是 Optimum Intel 自带的跨平台命令行工具，可以不用编写量化代码，实现对 Llama-3.2-1B-Instruct 模型的量化。

执行命令将 Llama-3.2-1B-Instruct 模型量化为 INT4 OpenVINO™ 格式模型：

optimum-cli export openvino --model D:\llama3\Meta-Llama-3-8B --task text-generation-with-past --weight-format int4 --group-size 128 --ratio 0.8 --sym llama3_int4_ov_model

1.3.3第三步：编写推理程序llama3_2_int4_ov_infer.py

基于 Optimum Intel 工具包的 API 函数编写 Llama3 的推理程序，非常简单，只需要调用五个 API 函数：

编译并载入 Llama-3.2 模型到指定 DEVICE：OVModelForCausalLM.from_pretrained()
实例化 Llama-3.2 模型的 Tokenizer：tok=AutoTokenizer.from_pretrained()
将自然语言转换为 Token 序列：tok(question, return_tensors="pt", **{})
生成答案的 Token 序列：ov_model.generate()
将答案 Token 序列解码为自然语言：tok.batch_decode()

完整范例程序如下所示，下载链接：git clone

https://gitee.com/Pauntech/llama3.git

运行 llama3_2_int4_ov_infer.py：

import openvino as ovfrom trans
formers import AutoConfig, AutoTokenizer
from optimum.intel.openvino import OVModelForCausalLM


ov_config = {"PERFORMANCE_HINT": "LATENCY", "NUM_STREAMS": "1", "CACHE_DIR": ""}
model_dir = "d:\\llama3_2_1B_int4"  #llama3.2 1B int4模型路径
DEVICE = "CPU" #可更换为"GPU", "AUTO"...


# 编译并载入Llama3.2模型到指定DEVICE
ov_model = OVModelForCausalLM.from_pretrained(
    model_dir,
    device=DEVICE,
    ov_config=ov_config,
    config=AutoConfig.from_pretrained(model_dir, trust_remote_code=True),
    trust_remote_code=True,
    )
    
# 实例化Llama3.2模型的Tokenizer
tok = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)
# 设置问题
question = "What's the OpenVINO?" 
# 将自然语言转换为Token序列
input_tokens = tok(question, return_tensors="pt", **{})
# 生成答案的Token序列
answer = ov_model.generate(**input_tokens, max_new_tokens=128)
# 将答案Token序列解码为自然语言
print(tok.batch_decode(answer, skip_special_tokens=True)[0])

运行llama3_2_int4_ov_infer.py：

python llama3_2_int4_ov_infer.py

运行结果，如下所示：

OpenVINO™

总结

Optimum Intel 工具包简单易用，仅需三步即可完成开发环境搭建、Llama-3.2-1B-Instruct 模型 INT4 量化和推理程序开发。基于 Optimum Intel 工具包开发 Llama3 推理程序仅需调用五个 API 函数，方便快捷的实现将 Llama-3.2-1B-Instruct 本地化部署在基于英特尔处理器的算力魔方上。

OpenVINO™

---------------------------------------

*OpenVINO and the OpenVINO logo are trademarks of Intel Corporation or its subsidiaries.

-----------------------------

OpenVINO 中文社区

微信号 : openvinodev

B站：OpenVINO中文社区

“开放、开源、共创”

致力于通过定期举办线上与线下的沙龙、动手实践及开发者交流大会等活动，促进人工智能开发者之间的交流学习。

○ 点击 “ 在看 ”，让更多人看见