- 综合排序
- 最热优先
- 最新优先
- 来自专栏大模型成长之路
【大模型学习 | 量化】pytorch量化基础知识（1）
.支持INT8量化，可以降低4倍的模型大小以及显存需求，加速2-4倍的推理速度通俗理解：降低权重和激活值的精度（FP32→INT8），从而提高模型大小以及显存需求。 2.1 对称量化 & 非对称量化⚙️ 区别对称量化（Symmetric Quantization）非对称量化（Affine Quantization）特性 对称量化（Symmetric Quantization notePTQ 是直接对训练后的模型参数进行量化，因此适合于快速部署；QAT是通过插入伪量化节点，在训练过程中模拟量化误差以达到更高的精度，因此需要重新训练。 ⚙️ 区别特性 PTQ（训练后量化） QAT（量化感知训练） 训练阶段仅FP32训练 插入伪量化节点训练反向传播❌ 不支持 ✅ 通过STE支持 精度损失较大（尤其小模型）通常更小 model, qconfig_mapping, example_inputs)model_quantized = quantize_fx.convert_fx(model_prepared) 核心功能：在模型的每一个
51210编辑于 2025-06-25 - 来自专栏机器学习与统计学
纯离线安装大模型推理引擎，部署量化大模型
大家好，我是 Ai 学习的老章 继续介绍大模型推理引擎+Llama.cpp，前文我写了# 内网部署 llama.cpp，运行量化大模型，详细介绍了 llama.cpp 这个推理引擎，内网离线 cmake 本文我们用个更省事儿的内网离线部署方式——Docker，然后用其部署量化大模型，其中踩坑若干，才有如此精炼、极简教程 1、联网环境拉取 llama.cpp 镜像并保存 选择镜像最好是官方，比如 llama.cpp server-cuda https://github.com/ggml-org/llama.cpp/blob/master/docs/docker.md 市面上有很多个人打包的镜像，大多都是阉割版 费老大劲搞进去，发现大模型无法加载 /dir 再传入内网： llama.cpp 服务需要模型文件才能运行，在你的 Linux 服务器上创建一个目录，用来存放 GGUF 格式的模型文件。 5、启动大模型 docker run --rm --runtime nvidia -e TZAsia/Shanghai --gpus "device=2" -v /opt/data/ai/GGUF:/models
1.3K10编辑于 2025-10-11 - 来自专栏大模型成长之路
【大模型学习 | BERT 量化实战（1）】
加载训练后BERT模型和tokenizer model_name = ". original_model = AutoModelForSequenceClassification.from_pretrained(model_name).to('cuda') # 2. 8-bit量化加载模型 加载原始模型 model_name = ". 将模型移到 CPU（Eager 模式量化推荐在 CPU 上执行） model.to('cpu') # 3. （存在bug） 目前的这种量化方式还有bug存在，并且还找不到错误，希望有大哥帮助一下，主要的问题是模型可以成功量化，但是量化后的模型推理时会报错误,而且量化结果的大小也很奇怪：Original BERT
98710编辑于 2025-06-27 - 来自专栏AI工程落地
大语言模型--KV Cache量化论文
，新阶段生成的添加到全精度组，当全精度组达到上限R个token，则按channel方向量化并与量化组合并，清空全精度组。 ，并且再rope之前做量化 2.提出了一种新的非均匀量化方法，再离线校准集上可以得到很好的效果 3.在推理阶段，实现了一个自定义cuda算子做量化 4.前面的token对精度影响更大，第一个token 这类特定词元上的离群值会导致LLM将大量的自注意力得分分配到这些词元上 2.先使用全精度模型生成关键词元的无损KV cache并将其缓存下来（i.e., IntactKV），量化模型在推理时就能直接使用无损的关键词元表征 ，从而有效提升量化模型精度。 ，需要对key、value开发单独的量化方法 2.提出基于attention-aware的量化方法 3.对异常值做特殊处理，异常值做高比特量化
1.7K10编辑于 2024-07-18 - 来自专栏大模型成长之路
【大模型学习 | BERT 量化实战（2） 】
BERT 量化实战分析前言：在【大模型学习 | 量化实战（1）】-腾讯云开发者社区-腾讯云中基于BERT实现了情感分析系统以及量化的实现，但是量化的结果导致了模型的精确度急剧下降，从90%降到了54%， 为此，在本章中，尽可能的分析导致量化后模型精度下降的原因上期问题 在量化过程中，发现无法采用export量化，但是 Eager Mode 成功了， Eager Mode 只对线性层进行了量化，而没有对 量化分析方法为了进一步的优化量化模型，可以从以下方法进行分析： Calibration Range 分析 逐层敏感性分析 层级 fallback 到 FP32 误差传播分析 具体样本误差对比 Calibration ）、分布近似 scale过大scale的计算如下所示：scale=\frac{max(w)-min(w)}{255} , 个别层的权重有离群值，会导致scale非常大，严重丢失精度。 ，观察精度下降情况误差传播分析对 float32 模型 和 量化模型，输入相同的样本；逐层提取中间层输出；对每层输出计算误差（如 MSE、Cosine 距离等）；画出误差随层数变化的曲线 → 看是否有层明显放大了误差
78710编辑于 2025-06-27 - 来自专栏Java技术进阶
基于LMDeploy部署大模型和量化
背景 大模型具有庞大的参数量，内存开销大，7B模型仅权重就需要14+G内存，采用自回归生成token，需要缓存Attention 的k/v带来巨大的内存开销；动态shape，请求参数不固定，Token逐个生成 --model-name qwen-7b 上面两行命令分别展示了如何直接加载 Huggingface 的模型，第一条命令是加载使用 lmdeploy 量化的版本，第二条命令是加载其他 LLM 模型。 # 转换模型（FastTransformer格式） TurboMind lmdeploy convert internlm-chat-7b /path/to/internlm-chat-7b 这里我们使用官方提供的模型文件 我想直接在自己的 Python 项目中使用大模型功能。推荐使用 TurboMind推理 + Python（2.5）。 我想在自己的其他非 Python 项目中使用大模型功能。 3.1.2 量化效果 官方给出了 internlm-chat-7b 模型在 KV Cache 量化前后的显存对比情况，如下表所示。
2.5K00编辑于 2024-03-01 - 来自专栏AI SPPECH
54_模型优化：大模型的压缩与量化
深度解析大模型瘦身技术与工程实践 大模型优化技术演进 ├── 早期阶段(2018-2020): 基本剪枝、8位量化，性能损失明显 ├── 发展阶段(2021-2023): 知识蒸馏、结构化剪枝，平衡效率与精度 本文将深入剖析大模型压缩与量化的核心技术、最新进展及工程实践，探讨如何通过创新技术让大模型在保持高性能的同时实现轻量化部署，为企业和开发者提供全面的技术指导。 本文核心要点 要点 描述 互动思考 量化技术 从FP32到INT4的精度优化策略 你在部署中最常使用哪种量化方式？ 知识蒸馏 小模型如何继承大模型能力 蒸馏过程中的最大挑战是什么？ GPTQ - 大模型量化工具 针对大型语言模型的量化方法 支持INT4/INT8精度量化 保持较高的生成质量 与流行的LLM框架兼容 2. 优化策略： 模型压缩：从7B参数压缩到1.5B参数 INT4量化：使用GPTQ进行4位量化 模型剪枝：移除40%的非关键参数 知识蒸馏：从13B模型蒸馏核心能力 实施效果： 模型大小从14GB减少到750MB
82210编辑于 2025-11-16 - 来自专栏机器学习与统计学
量化大模型，本地部署，效果不打折
大家好，我是 AI 学习的老章 Unsloth 出圈是 DeepSeek-R1 爆火的时候，它发布了最小 1.58 位量化版本的 R1，把 DeepSeek-R1 这个非常大的模型（它有 6710 亿个参数 ，也就是 671B）通过“量化”把原本 720GB 的模型压缩到只有 131GB 的大小。 这标志着模型量化技术的一个重要突破：极低的比特数不再意味着性能的大幅牺牲。 结论 Unsloth 的动态量化技术证明，通过智能的、非均匀的量化策略，我们可以在大幅压缩模型体积的同时，保持甚至超越 SOTA 模型的性能。 对于追求本地化、低成本部署高性能模型的用户来说，Unsloth 的动态量化模型无疑是当前最值得关注的方案之一。
53510编辑于 2025-11-29 - 来自专栏奇点大数据
话说量化（7）
俗话说，“有钱能使鬼推磨”，这话虽然说有点夸张，不过已经是把金钱的力量描绘得非常清楚了。绝大部分人都是趋利的，所以在我看来，“利”是驱动人们协作、交互、杀伐的最基本动机，也是驱动世界运动的核心动力。只不过广义的“利”这个东西不仅仅是金钱这么简单——有的人可能被自己所信服的大义所打动，有的人可能为了自己追求的某种癖好而耗尽毕生心血，很显然刚刚说的这两样东西都不是简单用货币能衡量清楚的。为了讨论方便一些，我们现在还是指说能够用货币衡量的，商业环境下的，常态的买卖行为好了。
36720发布于 2018-10-23 - 来自专栏机器学习、深度学习
模型量化
下图显示不同量化策略对速度的提升影响 ? 量化卷积过程 ? 加速策略： AND, XOR and bitcount operations 训练过程 ? 分类性能对比 ?
88110发布于 2019-05-26 - 来自专栏GiantPandaCV
AffineQuant: 大语言模型的仿射变换量化
量化是一种有效的方法，通过将权重和激活映射到低比特表示来实现。 然而，量化经常会带来性能损失，尤其是在模型较小或使用低比特设置时。 方法 3.1 AffineQuant AffineQuant 是一种利用仿射变换来优化后训练量化（PTQ）的方法，它在大型语言模型（LLMs）中应用，以减少量化误差并保持模型性能。 根据提供的实验数据，可以看出逐渐引入mask（gradual mask）的策略在两个模型（OPT-125M和LLaMA-7B）上对模型性能有显著影响。 这表明，逐渐mask对于控制模型在处理这些数据集时的困惑度有显著帮助，从而提升了模型的总体性能。在LLaMA-7B模型上，同样观察到类似的趋势。 维持或提升量化后的模型性能： 如表格所示，即便在较低的位宽（例如4/4位量化）下，AffineQuant方法在多个性能指标上仍然优于或接近全精度模型的表现，显示出较好的量化抗性和模型鲁棒性。
85510编辑于 2024-05-13 - 来自专栏DeepHub IMBA
大语言模型量化方法对比：GPTQ、GGUF、AWQ
分片 在我们进入量化策略之前，我们先介绍一个前置的方法：分片。通过分片可以将模型分割成小块，每个分片包含模型的较小部分，通过在不同设备上分配模型权重来解决GPU内存限制。 虽然它没有任何的压缩和量化，但是这种方法算是一个最简单的加载大模型的方案。 比如Zephyr-7B-β，实际上已经分片了! 4GB的分片 量化 大型语言模型由一堆权重和激活表示。 预量化(GPTQ、AWQ、GGUF) 我们已经探索了分片和量化技术。但是量化是在每次加载模型时进行的，这是非常耗时的操作，有没有办法直接保存量化后的模型，并且在使用时直接加载呢？ 但是如果你的GPU无法处理如此大的模型，那么从GPTQ开始切换到以cpu为中心的方法(如GGUF)是绝对值得的。
12.9K71编辑于 2023-11-20 - 来自专栏机器之心
字节开源大模型量化新思路，2-bit量化模型精度齐平fp16
随着深度学习大语言模型的越来越火爆，大语言模型越做越大，使得其推理成本也水涨船高。模型量化，成为一个热门的研究课题。 背景 大模型的迅速发展，使得推理成本越来越高。模型量化，作为一个降低推理成本的技术方案，得到了越来越多的关注与研究。然而，在传统的量化范式下，模型的精度在极低比特下会迅速下降。 ，例如对于 int4 量化，可以取 α = -8, β = 7； 表示取整函数，一般是四舍五入到临近的整数。 我们将一个大模型量化完毕以后，交付给下游引擎同学的时候，只需要知道 (3) 式中的 和 (s,z) 即可。 进一步挖掘 (3) 式中，我们可以将一个大模型的参数，解耦 (decouple) 成整数部分 和浮点部分 (s,z)。
1.2K10编辑于 2024-05-14 - 来自专栏为了不折腾而去折腾的那些事
CPU 混合推理，非常见大模型量化方案：“二三五六” 位量化
看过前两篇文章《零一万物模型折腾笔记：官方 Yi-34B 模型基础使用》、《本地运行“李开复”的零一万物 34B 大模型》的同学知道，类似 34B 的模型，如果想不怎么量化直接跑起来，大概需要 76～85GB 如果我们进行效果损失比较小的 8 位量化，那么也需要 46GB 左右，如果是 4 位量化模型，那么也需要 21GB 左右的显存。 虽然模型能跑了，但是有可能模型效果“打了骨折”。 准备材料 关于模型量化需要准备两个素材，一个是模型，另外一个是量化使用的计算设备。 模型程序文件 任意参数量的模型，可以是 7B、13B、14B、20B、33B、34B、68B、70B ...的模型，也可以是更小参数量的小尺寸的模型。 量化使用的硬件 而量化模型使用的硬件，需要 CPU 计算能力相对强一些的机器，如果你有 GPU，那么将会极大的提升模型量化速度，如果没有也没有关系。
2.1K20编辑于 2023-12-12 - 来自专栏为了不折腾而去折腾的那些事
CPU 混合推理，非常见大模型量化方案：“二三五六” 位量化
看过前两篇文章《零一万物模型折腾笔记：官方 Yi-34B 模型基础使用[1]》、《本地运行“李开复”的零一万物 34B 大模型[2]》的同学知道，类似 34B 的模型，如果想不怎么量化直接跑起来，大概需要 准备材料 关于模型量化需要准备两个素材，一个是模型，另外一个是量化使用的计算设备。 模型程序文件 任意参数量的模型，可以是 7B、13B、14B、20B、33B、34B、68B、70B ...的模型，也可以是更小参数量的小尺寸的模型。 量化使用的硬件 而量化模型使用的硬件，需要 CPU 计算能力相对强一些的机器，如果你有 GPU，那么将会极大的提升模型量化速度，如果没有也没有关系。 -34b.html [2] 本地运行“李开复”的零一万物 34B 大模型: https://soulteary.com/2023/11/26/locally-run-the-yi-34b-large-model-of-kai-fu-lee.html
1.6K10编辑于 2023-12-14 - 来自专栏澜舟科技 NLP
大模型轻量化实践路径 之 澜舟孟子预训练模型
在上周发布的《一文看懂预训练最新进展》中，澜舟科技创始人兼 CEO 周明和澜舟科技大模型技术负责人王宇龙分享了大模型技术发展背景和近期百花齐放的大模型及新应用、新趋势。 本文继续为大家深入介绍“大模型轻量化”趋势以及澜舟的 5 个实践路径。以下内容根据澜舟科技算法研究员华菁云在「澜舟NLP分享会」演讲整理。全文约 4800 字，预计阅读时长 6 分钟。 大家都知道摩尔定律，硬件逐年价格下降 1.5 倍，运算能力提升 1.5 倍，但是实际上模型参数量每年增加至少 7 倍，硬件能力的提升显然赶不上模型规模的增长。 我们的轻量化技术结合了模型蒸馏、剪枝和量化，将大模型进行压缩得到轻量化模型，显著提升模型推理速度，改善用户体验。3.1 蒸馏图片不同的落地业务（如：在线业务，离线业务），对模型有不同尺寸需求。 第一期分享会于2022 年 7 月 16 日举办，主题为《认知智能时代，大模型轻量化技术与应用》，邀请了来自微软研究院、清华大学、同花顺的专家一起探讨前沿技术和实践，累计近 1400 位观众收看了本期直播
1.9K10编辑于 2022-07-29 - 来自专栏数据派THU
详解：7大经典回归模型
来源：csdn 深度学习爱好者本文约2900字，建议阅读5分钟本文给大家介绍机器学习建模中7大经典的回归分析模型。 什么是回归分析？ 4.它需要大的样本量，因为在样本数量较少的情况下，极大似然估计的效果比普通的最小二乘法差。 5.自变量不应该相互关联的，即不具有多重共线性。 7.如果因变量是多类的话，则称它为多元逻辑回归。 3. Polynomial Regression多项式回归 对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。 7. ElasticNet回归 ElasticNet是Lasso和Ridge回归技术的混合体。它使用L1来训练并且L2优先作为正则化矩阵。当有多个相关的特征时，ElasticNet是很有用的。 除了这7个最常用的回归技术，你也可以看看其他模型，如Bayesian、Ecological和Robust回归。 如何正确选择回归模型？ 当你只知道一个或两个技术时，生活往往很简单。
1.7K41编辑于 2023-04-18 Python实现大模型LoRA微调与量化加速深度好文
本文将深入讲解如何使用Python实现大模型的LoRA微调与量化加速，并提供完整的代码示例。 通过这种方式，可以在不增加太多参数的情况下，实现对模型的微调。2. 量化技术原理与实现原理量化技术通过将浮点数转换为较低精度的数值（如int8或float16），从而减少模型的存储和计算需求。 结合LoRA与量化进行微调原理结合LoRA和量化技术，可以在保持模型性能的同时，进一步减少计算和存储需求。具体来说，首先使用LoRA对模型进行微调，然后对微调后的模型进行量化。 通过使用LoRA和量化技术，我们可以在保持模型性能的同时，大幅减少计算和存储需求，从而实现高效、低成本的音乐推荐服务。总结本文详细介绍了如何使用Python实现大模型的LoRA微调与量化加速。 总结本文深入探讨了Python实现大模型LoRA微调与量化加速深度好文的相关技术，从原理到实践，从基础到进阶，希望能够帮助读者全面掌握这一技术。
62010编辑于 2025-12-16轻量化大语言模型：高效生成结构化数据
轻量化大语言模型：高效生成结构化数据当今生成模型的一个重要特性是，能够将非结构化、部分结构化或结构不良的输入转换为符合特定模式的结构化对象，例如关系数据库固定模式、文档存储灵活模式、函数签名、API规范等 在两篇近期发表于自然语言处理实证方法会议（EMNLP）和arXiv的论文中，我们以专门的轻量化结构化对象语言模型（SoLM）的形式提出了针对此问题的原生方法。 在这种情况下，我们仅向模型输入一个已经根据模式结构化的对象，并让模型端到端地重新生成它。此时，任务不再是结构化输入，而是清理、规范化、纠正和/或完善它，并使其内部一致。 创新为了训练SoLM模型，我们使用了自监督去噪。其思想是使用现有数据库中的任何对象样本，向这些对象中引入人工噪声，并训练模型恢复其原始形式。因此，模型学会提高我们输入的任何对象的质量。 但我们也尝试了一个单独训练的置信度评分模型，该模型以LLM某个内层产生的中间表示为输入。实际上，这种方法比直接依赖模型的置信度得分效果更好。
24110编辑于 2025-12-16- 来自专栏机器学习AI算法工程
PyTorch模型静态量化、保存、加载int8量化模型
7、模型量化的过程 上面的介绍可知，量化其实就是将训练好的深度神经网络的权值，激活值等从高精度转化成低精度的操作过程，并保证精度不下降的过程。如何从高精度转到低精度呢？ 这个取值是门艺术，大了浪费比特位，小了把就把太多有用信息“切”掉。 所以当前不同的量化算法和优化策略往往是寻找一个恰当的[α,β]，使得 clip 和 round 操作导致的误差较小。 在实际业务中，部署的一大挑战在于，如何去保证量化模型的精度，通过降低误差，以保证模型速度和精度的收益平衡。 ：模型训练完毕后动态量化、模型训练完毕后静态量化、模型训练中开启量化，本文从一个工程项目（Pose Estimation）给大家介绍模型训练后静态量化的过程。 http://images.cocodataset.org/zips/val2017.zip 2.Pytorch模型文件可以从这里下载Pose_Model提取密码：s7qh. https://pan.baidu.com
8.5K42编辑于 2023-02-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号