---
title: KV Cache量化
description: "本节介绍什么是KV Cache、为什么要进行KV Cache量化，量化支持的层，并给出了KV Cache量化调用流程。"
url: https://www.hiascend.com/document/detail/zh/canncommercial/latest/devaids/amct/atlasamct_16_0080.html
sourcePath: /source/zh/canncommercial/900/devaids/amct/atlasamct_16_0080.html
indexId: 53d0cc9a77c2ce13042af06cb9050a0b26bcac3d909a34e26ab33cfab537899065
---
# KV Cache量化

本节介绍什么是KV Cache、为什么要进行KV Cache量化，量化支持的层，并给出了KV Cache量化调用流程。

#### 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。

该特性仅在以下产品支持：

Atlas A2 训练系列产品 / Atlas A2 推理系列产品 、

Atlas 推理系列产品

Atlas A3 训练系列产品 / Atlas A3 推理系列产品

Atlas 350 加速卡


#### 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Linear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>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。

  a. 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")

  b. 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Linear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)

  c. （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。
```
user_do_inference_torch(calibration_model, calibration_data, batch_num)
```

  d. 输出量化因子文件。