Qwen1.5模型微调后GPTQ量化部署的tensor并行问题解析
问题背景
在使用Qwen1.5-14B-Chat模型进行LoRA微调后,再进行GPTQ量化成int4格式时,用户遇到了一个特定的部署问题:当使用vLLM框架进行部署时,如果设置tensor-parallel-size大于1(即尝试多GPU并行推理),会出现"ValueError: The input size is not aligned with the quantized weight shape"的错误。而原始未微调的Qwen1.5-14B-Chat-GPTQ-int4模型则没有这个问题。
技术分析
这个问题源于Qwen1.5-14B模型的中间层维度设计。14B参数规模的模型由于其特殊的中间层维度配置,在GPTQ量化后会导致权重形状对齐问题。具体来说:
-
原始模型处理:官方已经对14B-Chat-GPTQ模型进行了更新,通过补零(padding)的方式解决了权重形状对齐问题,使得可以在多GPU上并行推理。
-
微调后模型:当用户对14B-Chat模型进行LoRA微调后,再进行GPTQ量化时,由于微调后的模型没有经过同样的补零处理,导致在多GPU并行时出现权重形状不匹配的问题。
解决方案
对于遇到此问题的用户,可以考虑以下几种解决方案:
-
单GPU推理:暂时使用tensor-parallel-size=1进行单GPU推理,这是最直接的解决方法。
-
模型补零处理:参考官方对14B-Chat-GPTQ模型的处理方式,对微调后的模型权重进行适当的补零处理,确保在多GPU并行时的形状对齐。
-
等待官方更新:关注Qwen1.5项目的更新,未来可能会提供对微调后模型更好的多GPU支持。
技术建议
对于需要进行大规模模型部署的用户,建议:
-
在微调前仔细评估模型规模与部署需求,14B模型可能需要特殊处理才能实现多GPU并行。
-
考虑使用更小规模的模型(如7B)进行微调,这些模型通常没有此类并行问题。
-
在进行GPTQ量化时,确保使用与部署环境相匹配的量化配置,特别是当计划在多GPU上运行时。
总结
Qwen1.5-14B模型在多GPU并行推理时的特殊要求,特别是在微调后模型上的表现,提醒我们在模型工程化过程中需要考虑部署环节的各种约束。理解模型架构的细节和量化技术的内在限制,对于成功部署大规模语言模型至关重要。
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0288Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选









