使用llm-compressor工具量化

当前版本使用llm-compressor工具量化仅支持Deepseek-v2系列模型的W8A8量化。

本章节介绍如何在GPU的机器上使用开源量化工具llm-compressor量化模型权重，然后在NPU的机器上实现推理量化。

具体操作如下：

1. 开始之前，请确保安装了以下库：

   git clone https://github.com/vllm-project/llm-compressor.git
   cd llm-compressor
   pip install -e .

2. 修改examples/quantizing_moe/deepseek_moe_w8a8_int8.py中的代码：

   1）若本地已有权重，请将MODEL_ID修改为权重路径；

   MODEL_ID = "deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct"

   2）若量化Deepseek-V2-236B模型，请将num_gpus改为8；

   device_map = calculate_offload_device_map(
       MODEL_ID,
       reserve_for_hessians=True,
       num_gpus=8,
       torch_dtype=torch.bfloat16,
       trust_remote_code=True,
   )

   3）为减少量化时间，建议将以下参数设置为512；

   NUM_CALIBRATION_SAMPLES = 512

3. 执行权重量化：

   python deepseek_moe_w8a8_int8.py

1、执行权重量化过程中，请保证使用的GPU卡上没有其他进程，否则可能出现OOM；

2、若量化Deepseek-v2-236b模型，大致需要10+小时。