一、背景

模型剪枝、蒸餾是傳統 AI 模型壓縮常用的方案，尤其是模型要用于端側部署的場景，相比模型量化，模型剪枝和蒸餾的代價比較高，而且往往在指標上也沒有特別明顯的優勢，因此真正落地的場景要少得多。當然，也傳言有些模型會蒸餾 OpenAI 的 ChatGPT，不過主要是用其生成高質量數據。本文中，我們介紹 NVIDIA 最近發布的 LLM 剪枝和蒸餾的最佳實踐。

對應的論文為：[2408.11796] LLM Pruning and Distillation in Practice: The Minitron Approach

我們之前也介紹過 NVIDIA 的兩篇相關文章，可以參考：

• NVIDIA LLM 持續預訓練的最佳實踐
• NVIDIA 開源 LLM：迷你杯 Nemotron-4 15B & 超大杯 Nemotron-340B

二、摘要

本文中，作者探索了兩種不同的 LLM 剪枝策略：（1）深度剪枝和（2）聯合 Hidden、Attention、MLP 的寬度剪枝，并使用 LM 評估框架 Harness 進行常見基準評估。然后將模型與 NeMo Aligner 對齊，并在 Instruct-tuned 版本中進行測試。使用提出的剪枝和蒸餾將 LLaMA 3.1 8B 和 Mistral NeMo 12B 模型分別壓縮為 4B 和 8B 參數的模型。此外，作者發現，在無法訪問原始數據的情況下，在蒸餾數據集上適當微調 Teacher 模型也有幫助。

PS：基于當前論文的工作還有許多可以嘗試的方案，比如：

• 論文中寬度剪枝后每個 Transformer Block 層的參數還保持一致，而根據之前的研究（本文中也提到了），模型的最開始 2 層和最后 2 層可能更加的重要，是否可以通過某種方式實現只剪枝中間層，而保留最前 2 層和最后 2 層，效果是否會更好？
• 如果使用 LLaMA 3.1 70B 作為 Teacher 模型，是否能將 4B 參數量規模的模型精度與 8B 模型對齊？

三、方案

3.1 概覽

如下圖 Figure 1 所示為本文方法的概覽，其包含 3 個階段：

• Teacher 校正：在目標數據集（127B）上對預訓練模型進行微調，生成校正的 Teacher 模型，以便用于蒸餾。
• 剪枝：應用剪枝技術壓縮模型，生成 Student 模型。（PS：需要說明的是，非結構化剪枝往往導致模型無法充分發揮 GPU 算力，所以在使用 GPU 推理的場景中相對較少，這里作者主要是使用的結構化剪枝，非常適合 GPU 運算）
• 蒸餾：使用 Teacher 模型蒸餾 Student 模型，以恢復剪枝損失的模型準確性。?

3.2 剪枝

權重剪枝是一種強大且眾所周知的模型壓縮技術。本文中，作者重點介紹結構化剪枝（并不是為了適配 GPU 稀疏算力的 2:4 稀疏結構化剪枝，其可以參考附錄），也就是從模型中刪除 Block 或 Channel（PS：不是將其置為 0），包括 Neuron、Attention Head、Convolutional Filter 和深度剪枝。如下圖 Figure 2 所示，對于 LLM 而言，首先計算每個層、神經元、Head 和 Embedding 維度的重要性；然后對這些重要性分數進行排序；最后進行剪枝操作，并多次迭代。

3.2.1 重要性預估

作者采用純粹基于激活的重要性評估策略，該策略使用小型校準數據集，通過前向推理來計算所有軸（深度、神經元、Head，嵌入通道）的靈敏度信息。此外，作者將深度修剪作為一種特殊情況，不會與其他壓縮維度結合使用。

具體來說，作者使用一個 1024 個 Sample 的小型校準數據集，通過分別檢查 MHA、MLP 和 LayerNorm 層產生的激活來計算每個 Head、神經元和 Channel 的重要性。

對于深度剪枝，作者使用 3 個指標評估 Layer 的重要性：

• LM 驗證損失。
• Block 重要性（BI）。
• 下游任務的準確性。

對于基于 Loss 的排序，只需刪除單個或連續的 Block，并計算其對 LM Loss 的影響，這可以作為層的“重要性”或“敏感度”。BI 使用 Layer 或 Layer Blocks 的輸入和輸出之間的余弦距離來計算。作者注意到 BI 和 LM 損失指標高度相關，但并沒有在下游任務上生成最準確的剪枝模型。因此，作者使用 Winogrande 基準來評估 Layer 的重要性。

3.2.2 模型修剪

對于給定的模型，獲得每個軸的重要性排名之后，可以直接對相應的權重矩陣進行修剪。對于神經元和 Head 修剪，分別修剪 MLP 和 MHA 層權重；對于 Embedding Channel，修剪 MLP、MHA 和 LayerNorm 中權重矩陣的 Embedding 維度。

3.2.3 蒸餾訓練

對修剪后的模型進行 ReTraining 以恢復準確性。本文中，作者探索了兩種 ReTraining 策略：

• 利用 Ground truth 標簽的常規訓練。
• 使用未修剪模型（Teacher）進行監督知識蒸餾。

蒸餾的過程如下圖 Figure 3 所示，作者只在最后的 Logits 上添加 KL 散度損失。

3.3 訓練詳情

3.3.1 預訓練

使用預訓練的 LLaMA 3.1 8B（[2407.21783] The Llama 3 Herd of Models） 和 Mistral Nemo 12B 模型（Mistral NeMo | Mistral AI | Frontier AI in your hands）。

3.3.2 數據集

所有實驗使用 Nemotron-4 （[2402.16819] Nemotron-4 15B Technical Report 和 [2407.07263] Reuse, Don't Retrain: A Recipe for Continued Pretraining of Language Models）的 Continuous Training（CT） 數據集。

3.3.3 剪枝

作者采用的簡化剪枝方案來自 Minitron 論文（[2407.14679] Compact Language Models via Pruning and Knowledge Distillation）中的最佳實踐。具體來說：

• 寬度剪枝：

分別使用 l2-norm 和 mean 作為跨 Batch 和 Sequence 維度的聚合函數。

執行單次修剪，避免迭代方案。

• 深度剪枝：
• 遵循[2403.17887] The Unreasonable Ineffectiveness of the Deeper Layers 中的觀察結果，刪除一個連續 subgroup，該 subgroup 會使 Winogrande 的準確性下降最小。
• 沒有采用 NAS 搜索的結構。

修剪后的 3 個模型參數如下圖所示，這里也可以看出，寬度剪枝后各層的超參數一致：

3.3.4 蒸餾

Teacher 校正：直接使用 Mistral Nemo 12B 模型在作者自己的數據集上表現不佳，這是由于 Teacher 模型訓練的原始數據集與蒸餾數據集的分布不一致。為了解決這個問題，作者首先使用數據集中 >= 127B 的 Token 微調 Teacher 模型。如下圖 Figure 4 所示，使用經校正的 Teacher 模型蒸餾，Student 模型在驗證集上的 Loss 明顯低于使用原始 Teacher 模型。因此，作者將這種方案應用到了 Mistral-Nemo 和 LLaMA 3.1 Teacher 模型。當然，微調 Teacher 模型也會導致其在一些指標上有所提升，而在一些指標上有所下降：

Retrining：根據 Minitron 中的方案，作者選擇僅 Logit 蒸餾（PS：之前很多工作也會蒸餾 Feature Map），最大限度減少 Teacher 和 Student 的 KL 散度損失，并完全忽略 LM 交叉熵損失。蒸餾的超參數如下圖 Table 4 所示，在 32 個 DGX H100 節點上訓練。

指令微調：為了評估蒸餾模型的指令跟隨能力，作者使用 Nemo-Aligner 和用于 Nemotron-4 340B 的指令微調數據集對 LLaMA 3.1 Minitron 4B 模型進行 SFT，結果如下圖 Table 2 所示：

四、分析和評估

4.1 分析

4.1.1 寬度和深度剪枝

如下圖 Figure 5 所示為根據寬度和深度剪枝的 LLaMA-3.1-Minitron-4B 的訓練曲線，可以看出，兩者具有相同的參數量，但是寬度剪枝對應的初始損失更小，并且始終優于深度剪枝。

4.1.2 剪枝和蒸餾

如下圖 Figure 6 展示了剪枝和蒸餾方法的正交優勢。作者比較了下述 4 種方案，可以看出，與隨機初始化相比，剪枝的起點明顯更好，而基于蒸餾的訓練優于傳統的訓練方法，同時需要訓練的 Token 明顯減少：

• Random Init + Distillation：隨機權重初始化和蒸餾。
• Random Pruning + Distillation：隨機剪枝和蒸餾。其中的組件被隨機修剪而不是依賴重要性分數。
• Pruning + LM Loss：使用本文的修剪方案，但使用基于交叉熵的 LM Loss 訓練。
• Pruning + Distillation：本文的剪枝和蒸餾方案。LM 驗證損失最低。?

4.1.3 Teacher 校正

如下圖 Figure 7 所示，作者對比了兩種 Teacher 校正方法，結果表明，Teacher 校正并不影響剪枝的最優性，用校正后的 Teacher 至關重要。Teacher 校正也可以與蒸餾同時進行，以彌合差距：

• Prune corrected teacher + distill corrected teacher：剪枝和蒸餾校正的 Teacher 模型。
• Prune original teacher + distill continuously corrected teacher：剪枝原始的 Teacher 模型，并使用不斷校正的 Teacher 模型來蒸餾。?

4.1.4 深度剪枝度量

在檢查 LM 驗證損失如何隨著連續 Layer Block 的刪除而增加時，如下圖 Figure 8 所示，作者觀察到開始和結尾的層是最重要的。刪除非連續層可能導致更好的 LM 驗證損失。

但是在評估下游任務時，上述結論不一定成立。如下圖 Figure 9 所示，根據每層重要性刪除 16 層，Winogrande 精度為 0.5，而連續刪除 16-31 層的精度為0.595。在基于蒸餾的 Retraining 中，差距仍然存在，作者選擇了后一種方法。

4.2 評估

4.2.1 Base 模型評估

如下圖 Table 1 所示為 Base 模型的評估，與類似大小的模型相比，MN-Minitron8B 在各方面都表現出卓越的準確性，并且訓練 Token 數小 40x（380B vs 15T）。同樣，與 Teacher LLaMA 3.1 8B 模型相比，LLaMA-3.1 4B 模型表現良好，并且使用的訓練 Token 減少 150x（94B vs 15T）。剪枝后的 LLaMA-3.1 4B 也優于之前的 Minitron 4B。此外，從中也可以看出，基于寬度剪枝的變體優于基于深度剪枝的變體。這些結果充分表明了方案的有效性。

PS：不過從 8B -> 4B 的損失依然比較大，甚至和直接進行 AWQ（W4A16）的量化損失差不多。當然 8B AWQ 的推理效率可能不如 4B，然而一些 W8A8 的方案也能獲得相當的精度，詳情可以參見后文“附錄”的量化部分。此外，量化的成本可能遠低于剪枝+蒸餾。如下圖所示為 neuralmagic/Meta-Llama-3.1-8B-Instruct-quantized.w4a16 · Hugging Face 中使用 W4A16 的 Instruct 模型精度：

4.2.2 Instruct 模型評估

如下圖 Table 2 所示為 LLaMA-3.1 Minitron 4B 指令微調的性能。可以看出，其寬度剪枝變體在所有指標上優于原始的 Minitron 4B：

五、附錄

5.1 模型壓縮

模型壓縮有 4 種常見的方案：量化，剪枝，蒸餾，低秩分解。在 LLM 場景中，模型量化的方案非常多，比如 llm.int8()、AWQ、GPTQ、SmoothQuant 等等，其實現簡單，代價小，是最常見的方案。而其他幾種方案應用相對比較少，它們的區別如下圖 Figure 2 所示，圖片來自 [2308.07633] A Survey on Model Compression for Large Language Models：

5.2 量化

量化是模型壓縮中最常用的技術，不同的量化方案會針對不同的精度、Tensor 類型等，比如有常見的 KV Cache Only 量化，Weight Only 量化，以及幾種方案的結合，具體如下圖所示：

不同的量化方案在不同模型上的量化損失也會有所不同，但是大體上來說，壓縮后的 Bit 數越低損失越大。如下圖 Table 1 所示為 [2404.14047] An Empirical Study of LLaMA3 Quantization: From LLMs to MLLMs 中對 LLaMA3-8B 模型的量化評估（都使用 INT 類型，未使用 FP8/FP6/FP4），可以看出：

• W8A16 的量化損失都比較小，幾乎無損
• W4A16 和 W8A8 的損失相比 W8A16 會大一些，大部分情況也基本可以接受，但也和量化方法有關，比如，GPTQ 和 QuIP 的 W4A16 相比 AWQ 的損失會更大一些。
• 更低 Bit 的量化損失會比較大，比如 W3A16 和 W2A16 的精度會明顯下降。?

NVIDIA 的 GPU 從 Hopper 架構開始可以支持 FP8 計算，使用 FP8 后其精度相比 SmoothQuant 的 INT8 以及其他的 W4A16 損失更小，更具有使用價值（數據來自 https://github.com/NVIDIA/TensorRT-LLM/blob/v0.9.0/docs/source/blogs/quantization-in-TRT-LLM.md）：

那么這些量化方案的速度怎么樣呢，如下圖所示，在 [2404.14294] A Survey on Efficient Inference for Large Language Models 中作者評估了 TensorRT-LLM 和 LMDeploy 推理框架在不同場景的 W4A16 推理性能，使用的 GPU 為 NVIDIA A100，圖中的數據分別為 Prefill/Decoding/End2End 的加速比，可以看出，基本都可以實現 2 倍左右加速，當序列比較長或者 Batch size 比較大時會略低一些，當然兩個框架也各有千秋：

• TensorRT-LLM 在 Batch size 比較小時優勢更明顯。
• LMDeploy 在 Batch size 比較大時優勢更明顯。?

如下圖所示為使用 FP8 相比 FP16 可以加速 1.4-1.5 倍，這是比較早的數據，進一步優化后可以到 1.6-1.7 倍：

如下表所示為 TensorRT-LLM 中作者對不同量化方案的總結，可以看出，如果 GPU 支持 FP8，則使用 FP8 是最理想的選擇，如果允許少量精度損失，則可以進一步使用 INT4-FP8 AWQ 的方案：

5.3 剪枝

NVIDIA 在 Ampere 架構的 Tensor Core 中引入了稀疏矩陣乘法支持，理論最多可以提升 2 倍性能，實際上可能只有 1.5 倍，而且對稀疏化的方式有要求，如下圖所示，每 4 個 Weight 中需要有 2 個是 0 值，也就是可以剪掉的值：

基本上稀疏化都會帶來一定的精度損失，如下圖 Table 2 所示，論文 [2310.15929] E-Sparse: Boosting the Large Language Model Inference through Entropy-based N:M Sparsity 中作者評估了 2:4 稀疏化對模型精度的影響，可以看出（PS：論文圖片中的部分數字有誤，比如 13B 模型上 Magnitude 平均精度達到了 57.71，實際平均只有 49.36）：

• 每種稀疏化方法都有一定的精度損失，即使最優的方案損失也比較大。
• 不同規模的模型上精度損失差異比較大，小模型損失比較大。
• 13B 模型稀疏化后的精度還不如原始的 7B 模型，那么 13B 模型的稀疏化基本沒有太大的意義。?

在這樣的損失下能帶來什么收益呢？其收益主要體現在速度的提升和顯存的節約，如下圖 Table 5 所示，其矩陣乘法可以加速 20%-30%，而端到端延時只能加速 16% 左右：

當然，顯存的節約還是比較客觀的，基本可以節約 43% 左右的顯存空間，也許可以通過增加 Batch Size 來增加吞吐：

六、參考鏈接

1. https://arxiv.org/abs/2408.11796
2. https://arxiv.org/abs/2407.21783
3. https://mistral.ai/news/mistral-nemo/
4. https://arxiv.org/abs/2402.16819
5. https://arxiv.org/abs/2407.07263
6. https://www.arxiv.org/abs/2407.14679
7. https://arxiv.org/abs/2403.17887
8. https://arxiv.org/abs/2308.07633
9. https://arxiv.org/abs/2404.14047
10. https://arxiv.org/abs/2404.14294
11. https://arxiv.org/abs/2310.15929

本文轉載自 ??AI閑談??，作者： AI閑談