推理量化精度调优案例

原始浮点模型量化精度

• 原始浮点模型（未进行量化）的精度85.35%。

  

• 全量化后模型精度（未开启离群值抑制，量化参数取默认值，校准集取五条数据，未进行回退）的精度77.43%。

  

量化后精度目标

从原始浮点模型量化精度可知，Llama-3.1-8B模型当前量化精度损失为7.92%，我们的预期目标为精度损失小于1%。

量化步骤

1. 在W8A8量化场景下，针对Llama-3.1-8B模型，对五种离群值抑制方法逐一进行了尝试。
   

   • m3也适用于W8A8量化场景，但可能会导致离群值增多，量化精度损失更多，效果不稳定，因此未尝试。
   • 不同模型或量化场景下，离群值抑制方法的表现可能会有所不同，建议根据具体任务需求选择合适的算法进行优化。
   • anti_method取值m1时，精度值为78.87%。

     

   • anti_method取值m2时，精度值为79.27%。

     

   • anti_method取值m4时，精度值为64.01%。

     

   • anti_method取值m5时，精度值为79.17%。

     

   • anti_method取值m6时，精度值为64.89%。

     

   通过以上数据可以发现，在Llama-3.1-8B模型中，离群值抑制算法m2取得了最佳的精度结果（79.27%），相较于其他方法表现最优。这表明在当前模型和量化场景下，m2算法能够更有效地抑制离群值，提升量化模型的精度。

2. 选择激活量化算法。
   

   • 不同的激活量化算法在不同模型上的表现会有差异，需根据具体任务需求合理选择。
   • 基于步骤1，当开启离群值抑制算法m2时，默认使用的激活量化方法（act_method）为1。
   • act_method取值为1，精度为79.27%。

     

   • act_method取值为2，精度为80.40%。

     

   • act_method取值为3，精度为78.32%。

     

   通过以上数据可以发现，在Llama-3.1-8B模型上，设置act_method=2时，取得了最佳的模型精度结果（80.40%）。

3. 调整校准集。

   使用anti_method=m2，act_method=2的配置，将校准数据集从5条扩展至50条后，模型精度从80.40%改变为79.05%。由此可见，对于Llama-3.1-8B模型而言，最初的5条校准数据已经能够充分满足校准需求，增加校准数据量并未带来精度改善。

   

4. 执行量化回退。

   使用anti_method=m2，act_method=2，5条校准数据集的配置，针对Llama-3.1-8B模型，分别进行了手动和自动量化回退测试。

   1. 手动回退10层down层后，模型精度提升至84.59%。

      

   2. 再设置自动回退参数disable_level = 'L10'，自动回退10层后，模型精度进一步提升至85.22%。

      

   通过以上调优策略，量化模型的精度相较于浮点模型仅损失了0.12%，达到了量化后精度目标。