简单介绍下大模型的为什么需要量化，以及量化的基本操作。
首先，了解量化的是什么以及为什么需要它。 接下来，深入学习如何进行量化，并通过一些简单的数学推导来理解。 最后编写一些PyTorch 代码，以对 LLM 权重参数进行量化和反量化。
Let’s unpack all one by one together.
什么是量化，为什么需要它？
量化是一种将较大尺寸的模型（如 LLM 或任何深度学习模型）压缩为较小尺寸的方法。量化主要涉及对模型的权重参数和激活值进行量化。让我们通过一个简单的模型大小计算来验证这个说法。
在上图中，基础模型 Llama 3 8B 的大小为 32 GB。经过 Int8 量化后，大小减少到 8GB（减少了 75%）。使用 Int4 量化后，大小进一步减少到 4GB（减少约 90%）。这使模型大小大幅减少。
这么算，7B的大模型FP16部署权重14G，INT8是8G，INT4再砍半是4G
量化两大作用：
降低显存需要 提升推理性能
不仅有助于在有限硬件资源上部署更大的模型，还能加快模型的推理速度，对精度的折损还比较OK，不用白不用。
量化是如何工作的？简单的数学推导
从技术上讲，量化将模型的权重值从较高精度（如 FP32）映射到较低精度（如 FP16、BF16、INT8）。虽然有许多量化方法可供选择，但在本文中，我们将学习其中一种广泛使用的量化方法，称为线性量化方法。线性量化有两种模式：A. 非对称量化和B. 对称量化。我们将逐一学习这两种方法。
A. 非对称线性量化： 非对称量化方法将原始张量范围（Wmin, Wmax）中的值映射到量化张量范围（Qmin, Qmax）中的值。
Wmin, Wmax： 原始张量的最小值和最大值（数据类型：FP32，32 位浮点）。在大多数现代 LLM 中，权重张量的默认数据类型是 FP32。 Qmin, Qmax： 量化张量的最小值和最大值（数据类型：INT8，8 位整数）。我们也可以选择其他数据类型，如 INT4、INT8、FP16 和 BF16 来进行量化。我们将在示例中使用 INT8。 缩放值（S）： 在量化过程中，缩放值将原始张量的值缩小以获得量化后的张量。在反量化过程中，它将量化后的张量值放大以获得反量化值。缩放值的数据类型与原始张量相同，为 FP32。 零点（Z）： 零点是量化张量范围中的一个非零值，它直接映射到原始张量范围中的值 0。零点的数据类型为 INT8，因为它位于量化张量范围内。 量化： 图中的“A”部分展示了量化过程，即 [Wmin, Wmax] -> [Qmin, Qmax] 的映射。 反量化： 图中的“B”部分展示了反量化过程，即 [Qmin, Qmax] -> [Wmin, Wmax] 的映射。
那么，我们如何从原始张量值导出量化后的张量值呢？ 这其实很简单。如果你还记得高中数学，你可以很容易理解下面的推导过程。让我们一步步来（建议在推导公式时参考上面的图表，以便更清晰地理解）。
细节1：如果Z值超出范围怎么办？解决方案：使用简单的if-else逻辑将Z值调整为Qmin，如果Z值小于Qmin；若Z值大于Qmax，则调整为Qmax。这个方法在图4的图A中有详细描述。
细节2：如果Q值超出范围怎么办？解决方案：在PyTorch中，有一个名为 clamp 的函数，它可以将值调整到特定范围内（在我们的示例中为-128到127）。因此，clamp函数会将Q值调整为Qmin如果它低于Qmin，将Q值调整为Qmax如果它高于Qmax。
量化张量值的范围为-128到127（INT8，带符号整数数据类型）。如果量化张量值的数据类型为UINT8（无符号整数），则范围为0到255。
B. 对称线性量化： 在对称方法中，原始张量范围内的零点映射到量化张量范围内的零点。因此，这被称为对称量化。由于零在两侧范围内均映射为零，对称量化中不存在零点（Z）。整体映射发生在原始张量范围的 (-Wmax, Wmax) 和量化张量范围的 (-Qmax, Qmax) 之间。下图展示了量化和反量化情况下的对称映射。
由于我们在非对称段中已经定义了所有参数，这里也适用。让我们进入对称量化的数学推导。
非对称量化和对称量化之间的区别：
现在你已经了解了线性量化的什么、为什么和如何，这将引导我们进入本文的最后部分，即代码部分。
LLM权重参数进行量化和反量化
量化作用于模型的权重、参数和激活值。
为了简化，我们将在Pytorch示例中仅对权重参数进行量化。先快速浏览一下量化后Transformer模型中权重参数值的变化。
我们对16个原始权重参数从FP32到INT8进行了量化，内存占用从512位减少到128位（减少了25%）。对于大模型来说，减少幅度会更显著。
下面，你可以看到数据类型（如FP32、带符号的INT8和无符号的UINT8）在实际内存中的分布。我已经在2的补码中进行了实际计算。欢迎你自己练习计算并验证结果。
非对称量化代码：让我们一步步编写代码。
我们首先将随机值赋给原始权重张量（大小：4x4，数据类型：FP32）
#!pipinstalltorch;安装torch库，如果你还没有安装的话
#导入torch库
importtorch
original_weight=torch.randn((4,4))
print(original_weight)
定义两个函数，一个用于量化，另一个用于反量化
defasymmetric_quantization(original_weight):
#定义你想要量化的数据类型。在我们的示例中，是INT8。
quantized_data_type=torch.int8
#从原始的FP32权重中获取Wmax和Wmin值。
Wmax=original_weight.max().item()
Wmin=original_weight.min().item()
#从量化数据类型中获取Qmax和Qmin值。
Qmax=torch.iinfo(quantized_data_type).max
Qmin=torch.iinfo(quantized_data_type).min
#使用缩放公式计算缩放值。数据类型- FP32。
#如果你想了解公式的推导过程，请参考本文的数学部分。
S=(Wmax-Wmin)/(Qmax-Qmin)
#使用零点公式计算零点值。数据类型- INT8。
#如果你想了解公式的推导过程，请参考本文的数学部分。
Z=Qmin-(Wmin/S)
#检查Z值是否超出范围。
ifZ<Qmin:
Z=Qmin
elifZ>Qmax:
Z=Qmax
else:
#零点的数据类型应与量化后的值相同，为INT8。
Z=int(round(Z))
#我们有了original_weight、scale和zero_point，现在我们可以使用数学部分推导出的公式计算量化后的权重。
quantized_weight=(original_weight/S)+Z
#我们还将对其进行四舍五入，并使用torch clamp函数，确保量化后的权重不会超出范围，并保持在Qmin和Qmax之间。
quantized_weight=torch.clamp(torch.round(quantized_weight),Qmin,Qmax)
#最后，将数据类型转换为INT8。
quantized_weight=quantized_weight.to(quantized_data_type)
#返回最终的量化权重。
returnquantized_weight,S,Z
defasymmetric_dequantization(quantized_weight,scale,zero_point):
#使用本文数学部分推导出的反量化计算公式。
#还要确保将量化后的权重转换为浮点型，因为两个INT8值（quantized_weight和zero_point）之间的减法会产生不期望的结果。
dequantized_weight=scale*(quantized_weight.to(torch.float32)-zero_point)
returndequantized_weight
我们将通过调用 asymmetric_quantization 函数来计算量化后的权重、缩放值和零点。你可以在下面的截图中看到输出结果，注意量化后的权重数据类型为int8，缩放值为FP32，零点为INT8。
quantized_weight,scale,zero_point=asymmetric_quantization(original_weight)
print(f"quantizedweight:{quantized_weight}")
print("\n")
print(f"scale:{scale}")
print("\n")
print(f"zeropoint:{zero_point}")
现在我们已经有了量化权重、缩放值和零点的所有值。 让我们通过调用 asymmetric_dequantization 函数来获得反量化后的权重值。注意反量化后的权重值为FP32。
dequantized_weight=asymmetric_dequantization(quantized_weight,scale,zero_point)
print(dequantized_weight)
让我们通过计算它们之间的量化误差，找出最终反量化后的权重值与原始权重张量相比的准确性。
quantization_error=(dequantized_weight-original_weight).square().mean()
print(quantization_error)
对称量化和非对称的差不多，唯一需要更改的地方是在对称方法中，始终确保 zero_input 的值为 0。这是因为在对称量化中，zero_input 值始终映射到原始权重张量中的 0 值。
上述的量化代码代码示例：
https://github.com/tamangmilan/llm_quantization/blob/main/llm_quantization_part_1.ipynb
基本的量化原理如上，下篇详细介绍下TRT-LLM中的量化。