KV Cache量化

简介

KV Cache（Key-Value Cache）是一种缓存技术，通过存储键值对的形式来复用计算结果，以达到提高性能和降低内存消耗的目的。在大规模训练和推理中，随着batch_size和sequence_length的不断增长，KV Cache占用的内存开销也快速增大，甚至会超过模型本身；而对KV Cache进行INT8量化可以大幅度减少模型运行中的内存消耗，降低模型部署成本。

KV Cache量化支持的层：torch.nn.Linear，原始数据类型为float32和float16。KV Cache量化样例请参见获取更多样例。

该特性只有Atlas A2训练系列产品/Atlas 800I A2推理产品、Atlas 推理系列产品支持。

接口调用流程

KV Cache量化接口调用流程如图1所示。

图1 KV Cache量化调用流程
蓝色部分为用户实现，灰色部分为用户调用AMCT提供的API实现，简要流程如下：
  1. 用户首先构造PyTorch的原始模型，然后使用create_quant_cali_config生成量化配置文件。
  2. 根据PyTorch模型和量化配置文件，找到模型对应的待量化Lienar算子，即可调用create_quant_cali_model接口对原始PyTorch模型进行修改，在Linear输出后添加IFMR/HFMG量化算子。
  3. 使用校准集在PyTorch环境下执行前向推理，根据量化算法配置调用IFMR/HFMG量化算法对输出做校准，并将结果依据对应格式输出到量化因子文件中。

如果用户需要支持更多算子类型，或者用户自定义了其他操作，则可以使用QuantCalibrationOp接口，进行构图，然后进行量化校准，并输出量化因子文件。

调用示例

  • 如下示例标有“由用户补充处理”的步骤，需要用户根据自己的模型和数据集进行补充处理，示例中仅为示例代码。
  • 如下示例调用AMCT的部分，函数入参请根据实际情况进行调整。
  1. 导入AMCT包，并通过安装后处理中的环境变量设置日志级别。 

    1
    		 
    import amct_pytorch as amct

  2. （可选，由用户补充处理）在PyTorch原始环境中验证推理脚本及环境。

    建议使用原始待量化的模型和测试集，在PyTorch环境下推理，验证环境、推理脚本是否正常。

    推荐执行该步骤，请确保原始模型可以完成推理且精度正常；执行该步骤时，可以使用部分测试集，减少运行时间。

    1
    		 
    user_do_inference_torch(ori_model, test_data, test_iterations)

  3. 调用AMCT，量化模型。

    1. 解析量化配置quant.cfg，生成量化配置文件。 
      1
2
3
4
5
      		 
      config_file = './tmp/config.json'
amct.create_quant_cali_config(config_file=config_file,
			         model=ori_model,
			         quant_layers=None,
			         config_defination="./configs/quant.cfg")
    2. 修改图，在图插入量化相关的算子，用于计算量化相关参数。
      找到模型对应的待量化Lienar算子，在Linear输出后插入IFMR/HFMG量化算子，在线校准计算对应量化因子，以便后续将输出量化为INT8。 
      1
2
3
4
      		 
      record_file = './tmp/record.txt'
calibration_model = amct.create_quant_cali_model(config_file=config_file,
					            record_file=record_file,
					            model=ori_model)
    3. （由用户补充处理）基于PyTorch环境，使用修改后的模型（calibration_model）在校准集（calibration_data）上做模型推理，生成量化因子。

      该步骤执行时，需要注意如下两点：

      1. 校准集及其预处理过程数据要与模型匹配，以保证量化的精度。
      2. 前向推理的次数为batch_num，如果次数不够，后续过程会失败。

      校准过程中如果提示[IFMR]: Do layer xxx data calibration failed!错误信息，则请参见校准执行过程中提示“[IFMR]: Do layer xxx data calibration failed!”解决。

      1
      		 
      user_do_inference_torch(calibration_model, calibration_data, batch_num)
    4. 输出量化因子文件。

父主题： 扩展更多特性