Optimum Quanto

Quanto 是 Optimum 的 PyTorch 量化后端。它支持权重的线性量化（float8、int8、int4、int2），精度与全精度模型非常接近。Quanto 兼容任意模型模态和设备，因此无论使用何种硬件，使用起来都非常简单。

Quanto 还兼容 torch.compile，以实现更快的生成速度。

使用以下命令安装 Quanto。

pip install optimum-quanto accelerate transformers

通过创建 QuantoConfig 并指定 weights 参数来量化模型。只要模型包含 torch.nn.Linear 层，此方法适用于任何模态下的任何模型。

Transformers 集成仅支持权重量化。如果需要激活量化、校准或 QAT，请直接使用 Quanto 库。

from transformers import AutoModelForCausalLM, AutoTokenizer, QuantoConfig

quant_config = QuantoConfig(weights="int8")
model = transformers.AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-3.1-8B", 
    dtype="auto", 
    device_map="auto", 
    quantization_config=quant_config
)

torch.compile

使用 torch.compile 包装 Quanto 模型以加快生成速度。

import torch
from transformers import AutoModelForSpeechSeq2Seq, QuantoConfig

quant_config = QuantoConfig(weights="int8")
model = AutoModelForSpeechSeq2Seq.from_pretrained(
  "openai/whisper-large-v2",
  dtype="auto",
  device_map="auto",
  quantization_config=quant_config
)

model = torch.compile(model)

资源

阅读 Quanto：Optimum 的 PyTorch 量化后端博客文章，以了解该库的设计和基准测试。

如需更多实践示例，请查看 Quanto notebook。

Update on GitHub