首页
/ TorchAO 0.9.0发布:稀疏化技术升级与量化API重大革新

TorchAO 0.9.0发布:稀疏化技术升级与量化API重大革新

2025-06-24 08:35:39作者:谭伦延

项目简介

TorchAO是PyTorch生态系统中的一个重要组件,专注于模型优化技术的研究与实现。作为PyTorch官方支持的模型优化工具库,TorchAO提供了包括量化、稀疏化等多种模型优化技术,帮助开发者在不显著损失模型精度的情况下,大幅提升模型推理和训练效率。

核心亮点

块稀疏技术正式发布

在0.9.0版本中,块稀疏技术从实验状态正式晋升为稳定功能。这项技术通过将权重矩阵划分为固定大小的块,并智能地选择保留或丢弃整个块,实现了模型的高效压缩和加速。

使用方式极为简洁:

from torchao.sparsity import sparsify, block_sparse_weight
sparsify_(model, block_sparse_weight(blocksize=64))

性能表现令人印象深刻,在Meta-Llama-3.1-8B模型上的测试显示:

  • 使用64x64块大小和90%稀疏率时,解码速度提升近2倍(262.94 tok/s vs 134.40 tok/s)
  • 模型大小从15.01GB压缩至4.88GB,减少了67%

量化API重大重构

0.9.0版本对量化API进行了全面重构,从基于可调用对象的配置方式转向更直观的配置对象模式。这一变化带来了三大优势:

  1. 与生态系统其他组件保持更好的一致性
  2. 配置实例化后可进行详细检查
  3. 消除了常见的混淆来源

新旧API对比示例:

# 旧版API(0.8.0及之前)
quantize_(model, int8_weight_only(group_size=128))

# 新版API(0.9.0及之后)
quantize_(model, Int8WeightOnlyConfig(group_size=128))

虽然旧版API仍可继续使用,但建议开发者逐步迁移到新版配置对象模式。

关键技术进展

超级掩码技术

0.9.0引入了Supermask技术,通过在训练阶段学习块稀疏掩码,显著提升了稀疏模型的精度。这一技术特别适合需要高精度稀疏模型的场景。

典型使用流程:

# 训练阶段使用Supermask
sparsify_(model, lambda x: SupermaskLinear.from_linear(x, block_size=64, sparsity_level=0.9))

# 训练完成后转换为标准线性层
sparsify_(model, lambda x: SupermaskLinear.to_linear(x, sparsity_level=0.9))
sparsify_(model, block_sparse_weight(blocksize=64))

4位动态量化新内核

新增了基于CUTLASS的W4A4(4位权重+4位激活)动态量化内核,为超低精度推理提供了新的可能性:

from torchao.quantization import int4_dynamic_activation_int4_weight
quantize_(model, int4_dynamic_activation_int4_weight)

实验性功能

MXFP8和MXFP4训练支持

针对NVIDIA Blackwell GPU,TorchAO 0.9.0提供了MXFP8和MXFP4训练与推理的早期支持。这些微缩格式为下一代硬件上的高效计算铺平了道路。

MX训练示例:

from torchao.prototype.mx_formats import swap_linear_with_mx_linear
config = MXLinearConfig(elem_dtype=torch.float8_e4m3fn, block_size=32)
swap_linear_with_mx_linear(model, config=config)

开发者工具改进

训练优化

  • 在float8训练中支持2的幂次缩放因子
  • 优化了FSDP内存使用,特别针对float8行级缩放训练
  • 改进了float8训练中的配置API,使其更加直观

错误修复

  • 修复了torch.intx在FakeQuantizeConfig中的支持问题
  • 解决了DDP与nf4量化兼容性问题
  • 修正了Marlin量化在SM<8.0设备上的编译问题

文档完善

0.9.0版本大幅更新了文档系统,包括:

  • 新增稀疏化入门指南
  • 更新支持的dtype列表
  • 添加模块交换到张量子类的迁移教程
  • 完善了静态量化教程

总结

TorchAO 0.9.0标志着该项目在模型优化技术上迈出了重要一步。块稀疏技术的成熟、量化API的重构以及多项新特性的加入,使得TorchAO在模型压缩和加速领域的能力得到全面提升。对于追求高效AI模型部署的开发者来说,这个版本提供了更多强有力的工具选择。

特别值得注意的是,TorchAO团队在保持API稳定性的同时,积极引入创新技术,如Supermask和MX格式支持,展现了项目的前瞻性。随着PyTorch生态系统的不断发展,TorchAO有望成为模型优化领域不可或缺的核心组件。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K
kernelkernel
deepin linux kernel
C
22
6
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
423
392
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
511