趋近智
LLM压缩与加速技术
章节 1: 大语言模型效率挑战：背景与基本原理
LLM的规模法则与计算成本
LLM推理中的内存带宽和计算瓶颈
实现效率的架构考量
评估LLM压缩与延迟的衡量标准
LLM 部署的硬件
压缩与加速的理论边界
章节 2: 进阶量化技术
量化基本原理回顾
训练后量化 (PTQ)
量化感知训练 (QAT)
极致量化
混合精度量化策略
量化操作的硬件加速
评估量化大型语言模型的保真度与性能
实践操作：PTQ 和 QAT 的实现
章节 3: 高级剪枝方法
非结构化剪枝与结构化剪枝
强度剪枝
移动剪枝与动态稀疏性
结构化剪枝技术
剪枝与量化的结合
编译器和运行时对稀疏操作的支持
评估剪枝对大型语言模型能力的影响
实践：应用结构化剪枝
章节 4: 大模型知识蒸馏
知识蒸馏的基本原理
蒸馏目标
自蒸馏与数据增强方法
任务专用蒸馏与任务通用蒸馏
将大型模型蒸馏成小型模型
生成模型蒸馏的难题
评估蒸馏模型性能
动手实践：生成式大型语言模型知识蒸馏
章节 5: 参数高效微调 (PEFT) 及适配
PEFT 的缘由
适配器模块
前缀微调、提示微调与P-Tuning
低秩适应（LoRA）
量化LoRA (QLoRA)
组合PEFT方法
PEFT技术性能分析
实践：使用LoRA和QLoRA进行微调
章节 6: 硬件加速与系统优化
将LLM操作映射到硬件架构
大型模型的内存管理技术
LLM层的优化算子
LLM的编译器优化
分布式推理策略
高级推理优化算法
大型语言模型在不同硬件上的性能基准测试
实践操作：使用运行时优化推理
章节 7: 综合优化策略与进阶内容
结合多种优化技术
神经网络架构搜索 (NAS) 面向高效大语言模型
条件计算与专家混合（MoE）
优化模型的持续学习
衡量对公平性和鲁棒性的影响
LLM 效率的研究前沿
实践：设计端到端优化流程
量化操作的硬件加速
这部分内容有帮助吗？
- NVIDIA Volta Deep Learning Architecture Whitepaper, NVIDIA Corporation, 2017 (NVIDIA) - 介绍Volta GPU架构，详细说明Tensor Core设计和用于混合精度深度学习的目标。
- In-Datacenter Performance Analysis of a Tensor Processing Unit, Norman P. Jouppi, Cliff Young, David Patil, Dustin Patterson, David Agrawal, Gyan Mei, Rafael Walker, William R. Dean, Keith Gelatt, Matt Leffler, Aaron Severance, Anand Sitaram, Mark Horowitz, 2017 ISCA '17: Proceedings of the 44th Annual International Symposium on Computer Architecture (ACM and IEEE Computer Society) DOI: 10.1145/3079897.3079898 - 分析Google张量处理单元（TPU）架构，概述其设计和机器学习工作负载的性能。
- FP8 Formats for Deep Learning, Paulius Micikevicius, Dusan Stosic, Patrick Judd, John Kamalu, Stuart Oberman, Mohammad Shoeybi, Michael Siu, Neil Burgess, Sangwon Ha, Richard Grisenthwaite, Naveen Mellempudi, Marius Cornea, Alexander Heinecke, Pradeep Dubey, 2022 (NVIDIA, Arm, Intel) - 描述NVIDIA的FP8格式，其在深度学习中的应用，以及Hopper等架构上的硬件支持。
- NVIDIA TensorRT Documentation, NVIDIA, 2024 (NVIDIA) - 提供使用TensorRT优化和部署深度学习模型的信息，包括利用低精度硬件能力。