Optimum Intel三步完成Llama3在算力魔方的本地量化和部署

01

Llama3简介

Llama3 是Meta最新发布的开源大语言模型(LLM), 当前已开源8B和70B参数量的预训练模型权重，并支持指令微调。详情参见：

https://ai.meta.com/blog/meta-llama-3/

Llama3性能优异，8B和70B参数模型的性能在chatbot-arena-leaderboard中皆进入前十；LLama-3-70b-Instruct仅次于闭源的GPT-4系列模型。

排行榜链接：

https://chat.lmsys.org/?leaderboard

魔搭社区已提供Llama3 8B和70B模型的预训练权重下载，实测下载速度平均34MB/s。

请读者用下面的命令把Meta-Llama-3-8B模型的预训练权重下载到本地待用。

git clone https://www.modelscope.cn/LLM-Research/Meta-Llama-3-8B.git
git clone https://www.modelscope.cn/LLM-Research/Meta-Llama-3-70B.git

算力魔方是一款可以DIY的迷你主机，采用了抽屉式设计，后续组装、升级、维护只需要拔插模块。通过选择不同算力的计算模块，再搭配不同的 IO 模块可以组成丰富的配置，适应不同场景。

性能不够时，可以升级计算模块提升算力；IO 接口不匹配时，可以更换 IO 模块调整功能，而无需重构整个系统。

本文以下所有步骤将在带有英特尔i7-1265U处理器的算力魔方上完成验证。

02

三步完成Llama3的INT4量化和本地部署

把Meta-Llama-3-8B模型的预训练权重下载到本地后，接下来本文将依次介绍基于Optimum Intel工具将Llama进行INT4量化，并完成本地部署。

Optimum Intel作为Transformers和Diffusers库与Intel提供的各种优化工具之间的接口层，它给开发者提供了一种简便的使用方式，让这两个库能够利用Intel针对硬件优化的技术，例如：OpenVINO、IPEX等，加速基于Transformer或Diffusion构架的AI大模型在英特尔硬件上的推理计算性能。

Optimum Intel代码仓连接：

https://github.com/huggingface/optimum-intel。

01

第一步，搭建开发环境

请下载并安装Anaconda，然后用下面的命令创建并激活名为optimum_intel的虚拟环境：

conda create -n optimum_intel python=3.11 #创建虚拟环境
conda activate optimum_intel        #激活虚拟环境
python -m pip install --upgrade pip     #升级pip到最新版本

由于Optimum Intel代码迭代速度很快，请用从源代码安装的方式，安装Optimum Intel和其依赖项openvino与nncf。

python -m pip install "optimum-intel[openvino,nncf]"@git+https://github.com/huggingface/optimum-intel.git

02

第二步，用optimum-cli对Llama3模型进行INT4量化

optimum-cli是Optimum Intel自带的跨平台命令行工具，可以不用编写量化代码，实现对Llama3模型的量化。

执行命令将Llama3-8B模型量化为INT4 OpenVINO格式模型：

optimum-cli export openvino --model D:llama3Meta-Llama-3-8B --task text-generation-with-past --weight-format int4 --group-size 128 --ratio 0.8 --sym llama3_int4_ov_model

03

第三步：编写推理程序llama3_int4_ov_infer.py

基于Optimum Intel工具包的API函数编写Llama3的推理程序，非常简单，只需要调用六个API函数：

1.

初始化OpenVINO Core对象：ov.Core()

2.

编译并载入Llama3模型到指定DEVICE：OVModelForCausalLM.from_pretrained()

3.

实例化Llama3模型的Tokenizer：tok=AutoTokenizer.from_pretrained()

4.

将自然语言转换为Token序列：tok(question, return_tensors="pt", **{})

5.

生成答案的Token序列：ov_model.generate()

6.

将答案Token序列解码为自然语言：tok.batch_decode()

完整范例程序如下所示，下载链接：

import openvino as ov
from transformers import AutoConfig, AutoTokenizer
from optimum.intel.openvino import OVModelForCausalLM


# 初始化OpenVINO Core对象
core = ov.Core()
ov_config = {"PERFORMANCE_HINT": "LATENCY", "NUM_STREAMS": "1", "CACHE_DIR": ""}
model_dir = "d:\llama3_int4_ov_model" #llama3 int4模型路径
DEVICE = "CPU" #可更换为"GPU", "AUTO"...
# 编译并载入Llama3模型到DEVICE
ov_model = OVModelForCausalLM.from_pretrained(
  model_dir,
  device=DEVICE,
  ov_config=ov_config,
  config=AutoConfig.from_pretrained(model_dir, trust_remote_code=True),
  trust_remote_code=True,
)
# 载入Llama3模型的Tokenizer
tok = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)
# 设置问题
question = "What's the OpenVINO?" 
# 将自然语言转换为Token序列
input_tokens = tok(question, return_tensors="pt", **{})
# 生成答案的Token序列
answer = ov_model.generate(**input_tokens, max_new_tokens=128)
# 将答案Token序列解码为自然语言并显示
print(tok.batch_decode(answer, skip_special_tokens=True)[0])

运行llama3_int4_ov_infer.py：

python llama3_int4_ov_infer.py

运行结果，如下所示：

03

构建图形化的Llama3 demo

请先安装依赖软件包：

pip install gradio mdtex2html streamlit -i https://mirrors.aliyun.com/pypi/simple/

下载范例程序：

然后运行：

python llama3_webui.py

运行结果如下：

04

总结

Optimum Intel工具包简单易用，仅需三步即可完成开发环境搭建、LLama模型INT4量化和推理程序开发。基于Optimum Intel工具包开发Llama3推理程序仅需调用六个API函数，方便快捷的实现将Llama3本地化部署在基于英特尔处理器的算力魔方上。

审核编辑：刘清