LLM 加速技术有哪些

LLM 加速技术有哪些

量化（Quantization）

基本原理

量化是指将模型中连续取值（如32位浮点数）的参数或激活值用离散值（如8位整数）来近似表示。这样做可以减少模型的存储需求和计算量，因为整数运算通常比浮点数运算更快，并且占用更少的内存空间。量化过程主要包括两个步骤：确定量化的范围（即最大值和最小值），然后将范围内的连续值映射到离散的量化级别上。

举例

在一个卷积神经网络（CNN）中，原本的卷积层权重是32位浮点数。通过量化，将这些权重转换为8位整数。例如，假设原始的权重值范围是[-1.0, 1.0]，量化后将这个范围映射到[-128, 127]的整数区间。在推理时，使用8位整数进行卷积运算，而不是32位浮点数，从而显著减少计算量和内存占用。

剪枝（Pruning）

基本原理

剪枝是指去除模型中对输出结果影响较小的参数或连接。在训练好的模型中，有些参数对模型的性能贡献不大，通过剪枝可以减少模型的复杂