推理量化精度调优流程

本章节主要介绍大模型量化精度调优的整体思路和标准流程，包含各种量化场景（如W8A8、W8A16和稀疏量化）下的通用策略及特定场景的调优方法，具体请参见量化场景。

量化场景

不同的调优参数在各类模型上的表现可能存在差异，但总体的调优方向保持一致。因此，在实际操作中，建议充分考虑模型特性与任务需求，灵活调整量化参数，并通过多次实验对比不同配置的表现，最终确定最适合的优化方案。

权重量化场景
1. W8A16场景下，msModelSlim支持多种权重量化方式，可以通过QuantConfig中的w_method进行配置，可选值为'MinMax'、'HQQ'、'GPTQ'。大部分模型采用基础的MinMax算法即可实现0.5%以下的精度损失。
2. 若需要更少的精度损失，可以按照量化耗时从少到多（MinMax → HQQ → GPTQ ）的顺序逐步尝试，找到更适合的权重量化方式。API接口的使用情况请参见Python-API接口说明。
```
quant_config = QuantConfig(
a_bit=16,
w_bit=8,
disable_names=disable_names,
dev_type='npu',
dev_id=device_id,
act_method=3,
w_method='MinMax',
pr=1.0,
w_sym=True,
mm_tensor=False
)
```
稀疏量化场景
 稀疏量化场景利用了300I DUO硬件解压缩功能，通过稀疏化并压缩权重，可以得到更轻量的模型和更高的推理性能。
1. 当w_bit=4，a_bit=8且为大模型稀疏量化场景时，推荐将QuantConfig中的is_lowbit设置为True，开启稀疏量化下的low bit算法，设置do_smooth=True，开启lowbit模式下的离群值抑制方法，平滑激活值。
2. 可以通过微调fraction或use_sigma参数，限制离群值的保护范围。API接口的使用情况请参见Python-API接口说明。
  - 在msModelSlim工具中通过QuantConfig来配置fraction参数，建议在0.01~0.1之间调整，如需减少精度损失可适度调大。
  - 在QuantConfig中设置use_sigma为True，调整sigma_factor，可根据正态分布数值特点进行离群值保护，建议在3.0~4.0之间调整，如需减少精度损失可适度调小。
```
quant_config = QuantConfig(
a_bit=8,
w_bit=4,                    # w_bit=4 a_bit=8 代表开启稀疏量化
disable_names=disable_names,# 回退层配置
dev_type='npu',             # 运行量化的设备
dev_id=device_id,           # 运行量化的设备ID，使用npu时需要指定
is_lowbit=args.is_lowbit,   # 是否启用lowbit模式
fraction=args.fraction,     # 控制稀疏率
do_smooth=args.do_smooth,   # True则可以启用lowbit模式的离群值抑制
use_sigma=args.use_sigma    # True则可以启用lowbit模式中基于高斯分布的离群值保护
)
```
其他量化场景
 除上述两类场景的额外特殊处理外，所有量化场景均可按图1进行精度调优。
图1 通用量化精度调优流程

通用量化精度调优流程

调整离群值抑制算法。

量化工具通过使用AntiOutlierConfig生成离群值抑制配置，启用离群值抑制功能。该功能通过不同的算法对量化过程中的离群值进行抑制，进而提升量化模型的精度。

在AntiOutlierConfig配置中，可调整的参数为anti_method，具体请参见表1。

anti_config = AntiOutlierConfig(anti_method="m2", dev_type="npu", dev_id=device_id)
anti_outlier = AntiOutlier(model, calib_data=dataset_calib , cfg=anti_config)
anti_outlier.process()

表1 anti_method配置说明
参数	算法名称
m1	SmoothQuant算法。
m2	Outlier Suppression Plus算法。
m3	AWQ算法。
m4	Iter Smooth Quant算法。说明：对down层、o层离群值处理。
m5	CBQ算法。
m6	Flex Smooth算法。说明：支持自动搜索算法中的alpha/beta超参。

对于权重量化的场景（如W8A16），anti_method需配置为m3。
对于激活量化的场景，需根据实际场景从m1~m6中逐步尝试，以找到最适合的算法。

切换激活量化算法。

msModelSlim量化工具通过QuantConfig提供量化配置功能，其中激活量化算法中可优化的参数对应字段为act_method。具体请参见表2。

表2 act_method配置说明
act_method取值	说明
1	表示使用min-max量化方式。说明： act_method默认值为1。
2	表示使用histogram量化方式。
3	表示采用min-max和histogram自动混合量化方式。说明：开启lowbit稀疏量化功能时，不支持选择值3。

quant_config = QuantConfig(
a_bit=8,
w_bit=8,
disable_names=disable_names,
dev_type='npu',
dev_id=device_id,
act_method=3,
pr=1.0,
w_sym=True,
mm_tensor=False
)

调整校准集。

在实际应用中，应结合业务场景和大模型特性，合理选择校准数据规模，具体请参见表3。

表3 调整校准集的方法
问题场景	解决办法
算法层面无法进一步提升精度。	可以尝试增大校准数据集的规模（通常建议在10~50条样本之间）。说明：正常情况下，适当增加数据量可以帮助提升模型精度，但当数据量达到一定规模后，继续增加数据对精度的影响有限。
某些特殊场景下，例如长文本数据场景。	减少校准数据集规模。
对任务类型需调整校准数据集。	中文模型使用中文输入。英文模型使用英文输入。代码生成模型使用代码相关数据。中英文兼顾的模型则采用中英文混合数据作为校准集。数学场景下需要数学相关的校准集。
涉及多个数据集。	可以从各数据集中抽取部分数据，混合组成一个新的校准数据集，平衡不同数据分布的影响，从而提升整体精度。
部分数据校准后导致模型精度较低。	尝试替换这些数据，选取更能代表模型分布的数据，减少量化精度损失。

增加量化回退。
某些网络层对于量化比较敏感，量化后会带来较大的精度损失，这些层并不适合进行量化，应该使用浮点权重进行计算，这个过程被称之为回退，量化工具支持自动回退和手动回退两种回退方式。
- 手动回退：量化工具通过QuantConfig提供了量化配置的选择功能，可通过设定disable_names手动控制哪些层被回退。
```
quant_config = QuantConfig(
a_bit=8,
w_bit=8,
disable_names=disable_names,    # disable_names=[]：[]里添加回退层名称，如果不添加则为不回退
dev_type='npu',
dev_id=device_id,
act_method=3,
pr=1.0,
w_sym=True,
mm_tensor=False
)
```
  disable_names参数可按以下顺序逐步增加回退层：
  1. 回退down_proj层（精度敏感）。
  2. 回退o_proj层（通常精度敏感）。
  3. 根据理论经验和日志找出量化敏感层进行回退。
```
disable_names = []
for ids in range(config.num_hidden_layers):
    disable_names.append("model.layers." + str(ids) + ".mlp.down_proj")   # 以回退到down_proj层为例
```
- 自动回退：量化工具通过Calibrator类提供了自动回退选择功能，用户可通过设置参数disable_level来指定自动回退的层数。
```
calibrator = Calibrator(
model,
quant_config,
calib_data=dataset_calib,
disable_level='L0'   # disable_level='LN'，N为自动回退的linear层数量，会在终端显示回退的层名称，disable_level='L0'即为不进行回退，若 N 的值超过模型总层数，则触发全部回退，且不会报错。W8A16量化场景不推荐使用自动回退功能
)
```