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
量化基本原理回顾
这部分内容有帮助吗？
- Quantization for Deep Learning Models, PyTorch Contributors, 2023 - 官方文档，解释了 PyTorch 的量化支持，包括仿射和对称方案，以及逐张量和逐通道粒度，提供了实用的实现细节。
- LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale, Tim Dettmers, Mike Lewis, Younes Belkada, and Luke Zettlemoyer, 2022 NeurIPS 2022 DOI: 10.48550/arXiv.2208.07339 - 介绍了用于大型语言模型的 8 位矩阵乘法，通过混合精度方法解决了 Transformer 激活中异常值的挑战，突出了其对 LLM 压缩的重要性。
- GPTQ: Accurate Post-Training Quantization for Generative Pre-trained Transformers, Elias Frantar, Saleh Ashkboos, Torsten Hoefler, Dan Alistarh, 2022 arXiv preprint arXiv:2210.17323 DOI: 10.48550/arXiv.2210.17323 - 提出了一种用于生成式预训练 Transformer 的训练后量化方法，采用分组量化以在极低位宽（例如 4 位）下为 LLM 权重保持精度。