Lemonade项目中的Quark量化工具使用指南

前言

在深度学习模型部署领域，模型量化技术是优化推理性能的重要手段。本文将详细介绍如何在Lemonade项目中使用AMD推荐的Quark量化框架，帮助开发者高效地将PyTorch或ONNX模型量化并部署到Ryzen AI平台上。

Quark量化框架简介

Quark是AMD官方推荐的量化工具链，专为Ryzen AI平台优化设计。它支持多种量化算法和方案，能够显著减少模型大小并提升推理速度，同时保持较高的模型精度。

环境准备

创建Python环境

推荐使用conda创建一个独立的Python 3.10环境：

conda create -n quark python=3.10
conda activate quark

安装依赖

根据使用场景选择安装选项：

# CPU专用版本
pip install -e .[llm-oga-cpu]

# NPU专用版本
pip install -e .[llm-oga-npu]

# 混合计算版本
pip install -e .[llm-oga-hybrid]

安装Quark

使用Lemonade提供的便捷安装工具：

lemonade-install --quark 0.6.0

该命令会自动下载Quark的wheel文件和zip包，并完成环境配置。

量化工作流程

基本量化命令

lemonade -i <model-ckpt> huggingface-load quark-quantize 
    --model-export <export_format>
    --quant-algo <quantization_algorithm>
    --quant-scheme <quantization_scheme>
    --device <device>
    llm-prompt -p "<prompt>"

参数说明：

• model-export: 导出格式，支持quark_safetensors、onnx、gguf等
• quant-algo: 量化算法，支持GPTQ、AWQ、AutoSmoothQuant等
• quant-scheme: 量化方案，如w_int4、w_uint4、w_int8等
• device: 运行设备，可选cpu或cuda

实际案例：OPT-125M模型量化

以下命令将使用AWQ算法对facebook/opt-125m模型进行A8W8量化：

lemonade -i facebook/opt-125m huggingface-load quark-quantize \
    --quant-algo awq \
    --quant-scheme w_int8_a_int8_per_tensor_sym \
    --model-export quark_safetensors \
    --device cpu

注意：CPU上的量化过程可能耗时较长，此示例可能需要约1小时完成。

加载量化模型

量化完成后，可以从缓存目录加载模型：

lemonade -i facebook/opt-125m huggingface-load quark-load \
    --safetensors-model-reload \
    --quant-algo awq \
    --quant-scheme w_int8_a_int8_per_tensor_sym \
    --device cpu \
    llm-prompt -p "Hello world"

支持的量化方案

Quark提供多种量化方案，适用于不同模型和场景：

• 4位量化：

  • w_uint4_per_group_asym
  • w_int4_per_channel_sym

• 8位量化：

  • w_int8_a_int8_per_tensor_sym
  • w_int8_per_tensor_sym

开发者应根据模型特性和目标硬件选择合适的量化方案。

模型导出格式

Lemonade支持多种量化模型导出格式：

1. quark_safetensors：Quark原生格式，保留完整量化信息
2. ONNX：标准ONNX格式，便于跨平台部署
3. vllm_adopted_safetensors：适配vLLM框架的格式
4. GGUF：通用GPU格式

常见问题与限制

1. 安装限制：

   • Quark尚未提供PyPI安装包，必须通过Lemonade安装工具安装
   • 安装版本在quark_quantize中硬编码检查

2. 功能限制：

   • 可用API有限，部分功能需依赖Quark发布的zip包
   • 日志控制不完善，部分信息无法完全屏蔽

3. 性能考虑：

   • CPU量化耗时较长，建议在性能较强的机器上运行
   • 大模型量化可能需要调整内存配置

最佳实践建议

1. 量化前准备：

   • 确保原始模型精度达标
   • 准备代表性校准数据集

2. 方案选择：

   • 初次尝试建议从8位量化开始
   • 对精度敏感场景慎用4位量化

3. 性能优化：

   • 在目标硬件上测试不同量化方案
   • 比较量化前后的精度损失和推理速度

通过本文介绍的方法，开发者可以充分利用Lemonade项目中的Quark量化工具，为AMD Ryzen AI平台高效地准备和部署量化模型。