Auf dem Weg zur nächsten Stufe der Post-Training-Quantisierung von Hyper-Scale-Transformern

Zusammenfassung

Mit der zunehmenden Komplexität generativer KI-Modelle hat sich die Post-Training-Quantisierung (PTQ) als vielversprechende Lösung für die Bereitstellung von hyperskaligen Modellen auf Edge-Geräten wie Mobilgeräten und Fernsehern etabliert. Bestehende PTQ-Schemata verbrauchen jedoch erhebliche Zeit und Ressourcen, was in realen Situationen, in denen häufige Modellaktualisierungen und multiple Hyperparameter-Anpassungen erforderlich sind, ein Engpass sein könnte. Als kosteneffiziente Alternative wurden One-Shot-PTQ-Schemata vorgeschlagen. Dennoch ist die Leistung etwas eingeschränkt, da sie die Inter-Layer-Abhängigkeit innerhalb des Attention-Moduls, ein sehr wichtiges Merkmal von Transformern, nicht berücksichtigen können. In diesem Artikel schlagen wir daher einen neuartigen PTQ-Algorithmus vor, der Genauigkeit und Effizienz in Einklang bringt. Die Kernidee des vorgeschlagenen Algorithmus, genannt aespa, besteht darin, die Quantisierung schichtweise für Effizienz durchzuführen, während gleichzeitig die Cross-Layer-Abhängigkeit berücksichtigt wird, um den Attention-Score zu erhalten. Durch umfangreiche Experimente an verschiedenen Sprachmodellen und eine Komplexitätsanalyse zeigen wir, dass aespa präzise und effizient bei der Quantisierung von Transformer-Modellen ist.

English

With the increasing complexity of generative AI models, post-training quantization (PTQ) has emerged as a promising solution for deploying hyper-scale models on edge devices such as mobile devices and TVs. Existing PTQ schemes, however, consume considerable time and resources, which could be a bottleneck in real situations where frequent model updates and multiple hyper-parameter tunings are required. As a cost-effective alternative, one-shot PTQ schemes have been proposed. Still, the performance is somewhat limited because they cannot consider the inter-layer dependency within the attention module, which is a very important feature of Transformers. In this paper, we thus propose a novel PTQ algorithm that balances accuracy and efficiency. The key idea of the proposed algorithm called aespa is to perform quantization layer-wise for efficiency while considering cross-layer dependency to preserve the attention score. Through extensive experiments on various language models and complexity analysis, we demonstrate that aespa is accurate and efficient in quantizing Transformer models.