AMCT大模型Quantile分位量化

1 量化前提

1.1 安装依赖

本sample依赖包可参考requirements.txt

需要注意的是torch_npu包版本需要与Python、torch包版本相匹配，需要安装CANN包

1.2 模型和数据集准备

本sample以Llama2-7b，qwen2-7b，qwen3-8b模型，pileval数据，wikitext2数据集为示例, 数据为在线加载，模型需要用户自己下载并在执行脚本时指定模型路径。

1.3 简易量化配置

本sample中使用的量化配置已经内置在工具中，可以通过下述方式获取并使用：

HIF8全量化配置： from amct_pytorch import HIFP8_QUANTILE_CFG

cfg = {
    'batch_num': 1,
    'quant_cfg': {
        'weights': {
            'type': 'hifloat8',
            'symmetric': True,
            'strategy': 'tensor',
        },
        'inputs': {
            'type': 'hifloat8',
            'symmetric': True,
            'strategy': 'tensor',
        },
    },
    'algorithm': {'quantile'},
    'skip_layers': {'lm_head'}
}

如果需要修改详细配置，请参考资料构造需要的量化配置dict。

Quantile算法支持仅权重量化和全量化，支持的量化类型以及量化配置：

字段	类型	说明	取值范围	注意事项
batch_num	uint32	量化使用的batch数量	1	/
skip_layers	str	跳过量化的层	/	跳过量化层支持模糊匹配，当配置字符串为层名字串，或与层名一致时，跳过该层量化，不生成量化配置。字符串必须包含数字或字母
weights.type	str	量化后权重类型	'hifloat8'	Quantile算法主要针对HIF8数据类型优化
weights.symmetric	bool	对称量化	True/False	HIF8数据类型支持对称量化和非对称量化
weights.strategy	str	量化粒度	'tensor'/'channel'	支持per-tensor和per-channel
inputs.type	str	量化后激活类型	'hifloat8'	全量化场景需要配置
inputs.symmetric	bool	对称量化	True/False	HIF8数据类型支持对称量化和非对称量化
inputs.strategy	str	量化粒度	'tensor'/'token'	支持per-tensor和per-token（静态/动态）
inputs.dynamic	bool	量化模式	True/False	inputs.strategy配置了per-token情况下支持静态和动态
algorithm	dict	量化使用的算法配置	{'quantile'}	/

2 量化示例

2.1 使用接口方式调用

step 1. 请在当前目录执行如下命令运行示例程序，用户需根据实际情况修改示例程序中的模型和数据集路径：

使用内置配置进行HIF8全量化：

python3 src/run_llama2_samples.py --model_path=/data/Llama2_7b_hf/

python3 src/run_qwen_samples.py --model_path=/data/Qwen2-7b/

python3 src/run_qwen_samples.py --model_path=/data/Qwen3-8b/

若出现如下信息，则说明量化成功：

Test time taken:  1.0 min  59.24865388870239 s
Score:  5.477707

其中Score为量化模型PPL，具体数值参考下表：

模型	校准集	数据集	量化前PPL	量化后PPL
LLAMA2-7B	pileval	wikitext2	5.472	5.507
QWEN2-7B	pileval	wikitext2	7.137	7.169
QWEN3-8B	pileval	wikitext2	9.715	9.760

推理成功后，在当前目录会生成量化日志文件./amct_log/amct_pytorch.log