01

Llama3簡(jiǎn)介

Llama3 是Meta最新發(fā)布的開(kāi)源大語(yǔ)言模型(LLM), 當(dāng)前已開(kāi)源8B和70B參數(shù)量的預(yù)訓(xùn)練模型權(quán)重，并支持指令微調(diào)。詳情參見(jiàn)：

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

Llama3性能優(yōu)異，8B和70B參數(shù)模型的性能在chatbot-arena-leaderboard中皆進(jìn)入前十；LLama-3-70b-Instruct僅次于閉源的GPT-4系列模型。

排行榜鏈接：

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

魔搭社區(qū)已提供Llama3 8B和70B模型的預(yù)訓(xùn)練權(quán)重下載，實(shí)測(cè)下載速度平均34MB/s。

請(qǐng)讀者用下面的命令把Meta-Llama-3-8B模型的預(yù)訓(xùn)練權(quán)重下載到本地待用。

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的迷你主機(jī)，采用了抽屜式設(shè)計(jì)，后續(xù)組裝、升級(jí)、維護(hù)只需要拔插模塊。通過(guò)選擇不同算力的計(jì)算模塊，再搭配不同的 IO 模塊可以組成豐富的配置，適應(yīng)不同場(chǎng)景。

性能不夠時(shí)，可以升級(jí)計(jì)算模塊提升算力；IO 接口不匹配時(shí)，可以更換 IO 模塊調(diào)整功能，而無(wú)需重構(gòu)整個(gè)系統(tǒng)。

本文以下所有步驟將在帶有英特爾i7-1265U處理器的算力魔方上完成驗(yàn)證。

02

三步完成Llama3的INT4量化和本地部署

把Meta-Llama-3-8B模型的預(yù)訓(xùn)練權(quán)重下載到本地后，接下來(lái)本文將依次介紹基于Optimum Intel工具將Llama進(jìn)行INT4量化，并完成本地部署。

Optimum Intel作為T(mén)ransformers和Diffusers庫(kù)與Intel提供的各種優(yōu)化工具之間的接口層，它給開(kāi)發(fā)者提供了一種簡(jiǎn)便的使用方式，讓這兩個(gè)庫(kù)能夠利用Intel針對(duì)硬件優(yōu)化的技術(shù)，例如：OpenVINO、IPEX等，加速基于Transformer或Diffusion構(gòu)架的AI大模型在英特爾硬件上的推理計(jì)算性能。

Optimum Intel代碼倉(cāng)連接：

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

01

第一步，搭建開(kāi)發(fā)環(huán)境

請(qǐng)下載并安裝Anaconda，然后用下面的命令創(chuàng)建并激活名為optimum_intel的虛擬環(huán)境：

conda create -n optimum_intel python=3.11 #創(chuàng)建虛擬環(huán)境
conda activate optimum_intel        #激活虛擬環(huán)境
python -m pip install --upgrade pip     #升級(jí)pip到最新版本

由于Optimum Intel代碼迭代速度很快，請(qǐng)用從源代碼安裝的方式，安裝Optimum Intel和其依賴(lài)項(xiàng)openvino與nncf。

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

02

第二步，用optimum-cli對(duì)Llama3模型進(jìn)行INT4量化

optimum-cli是Optimum Intel自帶的跨平臺(tái)命令行工具，可以不用編寫(xiě)量化代碼，實(shí)現(xiàn)對(duì)Llama3模型的量化。

執(zhí)行命令將Llama3-8B模型量化為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：編寫(xiě)推理程序llama3_int4_ov_infer.py

基于Optimum Intel工具包的API函數(shù)編寫(xiě)Llama3的推理程序，非常簡(jiǎn)單，只需要調(diào)用六個(gè)API函數(shù)：

1.

初始化OpenVINO Core對(duì)象：ov.Core()

2.

編譯并載入Llama3模型到指定DEVICE：OVModelForCausalLM.from_pretrained()

3.

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

4.

將自然語(yǔ)言轉(zhuǎn)換為T(mén)oken序列：tok(question, return_tensors="pt", **{})

5.

生成答案的Token序列：ov_model.generate()

6.

將答案Token序列解碼為自然語(yǔ)言：tok.batch_decode()

完整范例程序如下所示，下載鏈接：

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


# 初始化OpenVINO Core對(duì)象
core = ov.Core()
ov_config = {"PERFORMANCE_HINT": "LATENCY", "NUM_STREAMS": "1", "CACHE_DIR": ""}
model_dir = "d:\llama3_int4_ov_model" #llama3 int4模型路徑
DEVICE = "CPU" #可更換為"GPU", "AUTO"...
# 編譯并載入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,
)
# 載入Llama3模型的Tokenizer
tok = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)
# 設(shè)置問(wèn)題
question = "What's the OpenVINO?" 
# 將自然語(yǔ)言轉(zhuǎn)換為T(mén)oken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)
# 將答案Token序列解碼為自然語(yǔ)言并顯示
print(tok.batch_decode(answer, skip_special_tokens=True)[0])

運(yùn)行l(wèi)lama3_int4_ov_infer.py：

python llama3_int4_ov_infer.py

運(yùn)行結(jié)果，如下所示：

03

構(gòu)建圖形化的Llama3 demo

請(qǐng)先安裝依賴(lài)軟件包：

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

下載范例程序：

然后運(yùn)行：

python llama3_webui.py

運(yùn)行結(jié)果如下：

04

總結(jié)

Optimum Intel工具包簡(jiǎn)單易用，僅需三步即可完成開(kāi)發(fā)環(huán)境搭建、LLama模型INT4量化和推理程序開(kāi)發(fā)。基于Optimum Intel工具包開(kāi)發(fā)Llama3推理程序僅需調(diào)用六個(gè)API函數(shù)，方便快捷的實(shí)現(xiàn)將Llama3本地化部署在基于英特爾處理器的算力魔方上。

審核編輯：劉清