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量化样例请参见样例列表。

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、Atlas A3 训练系列产品支持。

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

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>AMCT(PyTorch)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。