大模型的快速部署与高效推理——GGUF格式模型介绍与使用教程

原创 2024-10-26 16:46:25 3.5k 阅读 AI写同款

我爱学大模型

码龄3年墨衍会员 · AI 创作全网分发

7883粉丝687篇原创

关注

大模型GGUF文件是啥？ GGUF文件说明阅读详情

AI摘要

本文介绍了GGUF格式，它专为大型语言模型设计，能提升存储效率、加载速度，具备兼容性和可扩展性。以Yuan2.0 - 2B模型为例，展示了GGUF格式转换、编译和测试过程，其推理速度和内存占用表现更优。此外，还分享了AI大模型学习资料，包括学习路线、报告合集等。

导读： GGUF格式是专为大型语言模型设计的二进制文件格式，旨在解决当前大模型在实际应用中遇到的存储效率、加载速度、兼容性和扩展性等问题。GGUF通过优化数据结构和编码方式，显著提升了模型文件的存储效率，同时保证了快速的加载性能。此外，它的设计考虑了跨平台和跨框架的兼容性，使得模型能够无缝地在不同的硬件和软件环境中运行，极大地促进了大型模型的广泛应用和进一步发展。

GGUF简介

在人工智能领域，大型语言模型的发展日新月异，它们在自然语言处理、机器翻译、智能助手等多个领域展现出了前所未有的能力。然而，随着模型规模的不断扩大，这些庞大的神经网络模型在存储、传输和加载上面临着一系列挑战。传统的文件格式在处理这些庞大的数据集时显得力不从心，不仅效率低下，而且兼容性和扩展性也难以满足日益增长的需求。

在这样的背景下，GGUF（GPT-Generated Unified Format）应运而生。由开发者Georgi Gerganov提出，GGUF格式是专为大型语言模型设计的二进制文件格式，旨在解决当前大模型在实际应用中遇到的存储效率、加载速度、兼容性和扩展性等问题。GGUF通过优化数据结构和编码方式，显著提升了模型文件的存储效率，同时保证了快速的加载性能。此外，它的设计考虑了跨平台和跨框架的兼容性，使得模型能够无缝地在不同的硬件和软件环境中运行，极大地促进了大型模型的广泛应用和进一步发展。

当前，GGUF格式广泛应用于各类大模型的部署和分享，特别是在Hugging Face等开源社区中广受欢迎。GGUF格式模型在实际使用中体现出的主要特点和优势包括：

1）高效存储：GGUF格式优化了数据的存储方式，减少了存储空间的占用，这对于大型模型尤为重要，因为它们通常包含大量的参数。

2）快速加载：GGUF格式支持快速加载模型数据，这对于需要即时响应的应用场景非常有用，比如在线聊天机器人或实时翻译系统。

3）兼容性：作为一种统一的格式，GGUF旨在提高不同平台和框架之间的兼容性，使得模型可以在不同的环境和硬件上无缝运行。

4）可扩展性：随着模型规模的不断扩大，GGUF格式设计时考虑到了未来的扩展性，以适应更大规模的模型和更复杂的数据结构。

本文以下部分将着重介绍当下源大模型对于GGUF格式的支持情况以及开发者在实际使用体验过程中如何使用GGUF格式的模型进行部署、推理、量化等技术细节。

Yuan2.0-2B模型的GGUF应用

2.1 Yuan2.0模型简介

源2.0 是浪潮信息发布的新一代基础语言大模型。我们开源了全部的3个模型源2.0-102B，源2.0-51B和源2.0-2B。并且我们提供了预训练，微调，推理服务的相关脚本，以供研发人员做进一步的开发。源2.0是在源1.0的基础上，利用更多样的高质量预训练数据和指令微调数据集，令模型在语义、数学、推理、代码、知识等不同方面具备更强的理解能力。

更多详情请参考Yuan2.0模型

· 技术报告

https://arxiv.org/ftp/arxiv/papers/2311/2311.15786.pdf

· Github

https://github.com/IEIT-Yuan/Yuan-2.0

本项目基于llama.cpp（version：b1742）在Windows系统（CPU Only）上对源2.0-2B模型的适配。本项目的Github地址为:

llamacpp for Yuan

https://github.com/IEIT-Yuan/3rd_party/

由于源2.0模型结构与llama结构存在差异，针对源2.0模型（Yuan2.0-2B）模型LFA结构，进行如下修改：

· llama计算图中添加LFA结构，修改ggml_conv_1d逻辑，以适配源2.0，保证前后序列长度不变；

· llama计算图中添加q、k混合相关的逻辑；

· 修改IM2COL算子，修改数组的读取方式；

· 修改ADD算子，将卷积模块的输出进行转置，以适配后面的计算；

· 修改concat算子，以适配q、k混合的逻辑；

· 支持多线程推理，加速生成速率；

目前支持fp16精度模型的gguf文件转换，后续会持续进行其他精度的工作。

Yuan2.0-2B模型的GGUF应用

实现对Yuan2.0-2B模型的GGUF格式转换需要克隆llamacpp for Yuan项目到本地并进入工作目录。

3.1 格式转化

对已有的hf格式模型转化为GGUF格式

python convert.py --model yuan2b-hf\yuan2-2B --outfile zh-models/Yuan2-2B-Februa-hf-GGUF.gguf

3.2 编译

下一步为了使用对GGUF格式模型调用并部署推理，我们需要编译该项目，同样在该项目的工作目录执行编译。

对于Linux和MacOS系统，可以使用make工具，在工作目录下执行

make

对于Windows系统，可以使用cmake工具，在工作目录下执行

mkdir build
cd build
cmake ..
cmake --build . --config Release

3.3 模型测试

成功完成上述编译后，工作目录会生成编译好的可执行文件 main.exe，下一步我们就使用该文件进行GGUF格式模型的调用和推理测试。

我们使用的测试环境配置如下：

· python3.9

· 11th Gen Intel® Core™ i5-1145G7 @2.60GHz 2.61GHz

· 8.00GB RAM

· Windows 10专业版（21H1）

我们以”北京简介“为prompt对先前转化出来的GGUF格式Yuan2.0-2B模型进行测试，记得将下方代码中的模型路径替换为您设备上GGUF格式模型存储的路径。

main.exe -m D:\\llama-cpp\\llama.cpp\\zh-models\\Yuan2-2B-Februa-hf-GGUF.gguf -p "北京简介" -n 400  --top-k  5 --threads 4

在我们的测试环境下得到的终端输出如下所示

llama_new_context_with_model: n_ctx      = 512
llama_new_context_with_model: freq_base  = 10000.0
llama_new_context_with_model: freq_scale = 1
llama_new_context_with_model: KV self size  =   96.00 MiB, K (f16):   
48.00 MiB, V (f16):   48.00 MiB
llama_build_graph: non-view tensors processed: 628/820
llama_build_graph: 
****************************************************************
llama_build_graph: not all non-view tensors have been processed with a 
callback
llama_build_graph: this can indicate an inefficiency in the graph 
implementation
llama_build_graph: build with LLAMA_OFFLOAD_DEBUG for more info
llama_build_graph: ref: https://github.com/ggerganov/llama.cpp/pull/3837
llama_build_graph:
****************************************************************
llama_new_context_with_model: compute buffer total size = 270.94 MiB
Model metadata: {'tokenizer.ggml.add_eos_token': 'true', 
'tokenizer.ggml.padding_token_id': '77185', 
'tokenizer.ggml.seperator_token_id': '77185', 
'tokenizer.ggml.eos_token_id': '77185', 'general.architecture': 'llama', 
'llama.context_length': '8192', 'general.name': 'E:\\ckpts\\yuan2b-hf', 
'tokenizer.ggml.add_bos_token': 'true', 'llama.embedding_length': 
'2048', 'llama.feed_forward_length': '8192', 
'llama.attention.layer_norm_rms_epsilon': '0.000001', 
'llama.rope.dimension_count': '64', 'llama.attention.head_count': '32', 
'tokenizer.ggml.bos_token_id': '77185', 'llama.block_count': '24', 
'llama.attention.head_count_kv': '32', 'tokenizer.ggml.model': 'llama', 
'general.file_type': '1'}
北京是中国的首都，是华北地区的中心城市。它是中国政治、文化和经济的中心，也是中国最
大的城市之一。北京具有悠久的历史和丰富的文化遗产，包括长城、故宫、天坛等世界闻名的
古迹，以及现代化的摩天大楼和购物中心。
北京也是中国的教育和科研中心，拥有众多高等院校和科研机构，为中国培养了许多杰出人
才。此外，北京还是中国重要的商业和交通中心，拥有众多的商业区和购物中心。
北京还是一个旅游胜地，吸引着大量的国内外游客前来参观和旅游。著名的景点包括故宫博物
院、颐和园、天坛公园、八达岭长城等。这些景点都有着独特的历史文化背景和壮观的自然风
光，给人们带来了不同的体验。
总的来说，北京是一个历史悠久、文化底蕴丰富、旅游胜地众多的城市，值得一游。无论是对
于艺术爱好者、历史文化爱好者还是自然探索者，北京都有着不可多得的体验。
llama_print_timings:        load time =     579.04 ms
llama_print_timings:      sample time =     126.74 ms /   193 runs   (    
0.66 ms per token,  1522.81 tokens per second)
llama_print_timings: prompt eval time =     578.98 ms /     4 tokens (  
144.74 ms per token,     6.91 tokens per second)
llama_print_timings:        eval time =   20562.87 ms /   192 runs   (  
107.10 ms per token,     9.34 tokens per second)
llama_print_timings:       total time =   22961.55 ms

此外，我们还对比了在相同任务下GGUF格式和原始hf格式模型的推理性能和内存占用情况，结果如下表格所示：

从上方表格的结果我们不难看出使用GGUF格式模型可以显著提升模型部署后的推理速度，同时可以有效降低模型使用时对于内存的占用。

结论

本文深入探讨了GGUF（GPT-Generated Unified Format）格式在大型语言模型领域的应用，及其在提高模型存储效率、加载速度、兼容性和可扩展性方面的重要性。通过对Yuan2.0-2B模型的适配和测试，我们验证了GGUF格式在实际应用中的高效性和稳定性。测试结果表明，使用GGUF格式的模型在推理速度和内存占用方面均优于传统的HF格式，这不仅提高了模型的运行效率，也降低了资源消耗。

最后，GGUF格式的可扩展性为未来更大规模模型的发展提供了支持，确保了格式能够适应不断进步的技术需求。随着开源社区和开发者的不断贡献，GGUF格式有望成为大型语言模型部署和分享的新标准，进一步推动人工智能技术的创新和发展。Yuan2.0系列模型也将持续支持GGUF格式，为开发者带来更好的使用体验。

关于源大模型的更多信息

更多信息，请访问以下页面

YuanChat Github 项目主页：

GitHub - IEIT-Yuan/YuanChat

Yuan 2.0 Github 项目主页：

GitHub - IEIT-Yuan/Yuan-2.0: Yuan 2.0 Large Language Model

Yuan 2.0-M32 Github 项目主页：

Github Yuan2.0-M32

Yuan 2.0 系列模型Hugging Face 主页：

https://huggingface.co/IEITYuan

Yuan 2.0 系列模型Modelscope 主页：