parent
98f6a4bf94
commit
b46f35b1f9
@ -0,0 +1,455 @@
|
|||||||
|
#include "ggml/ggml.h"
|
||||||
|
|
||||||
|
#include "utils.h"
|
||||||
|
|
||||||
|
#include <cassert>
|
||||||
|
#include <cmath>
|
||||||
|
#include <cstdio>
|
||||||
|
#include <cstring>
|
||||||
|
#include <fstream>
|
||||||
|
#include <map>
|
||||||
|
#include <string>
|
||||||
|
#include <vector>
|
||||||
|
#include <regex>
|
||||||
|
|
||||||
|
#define QK 32
|
||||||
|
|
||||||
|
size_t ggml_quantize_q4_0(float * src, void * dst, int n, int k) {
|
||||||
|
const int nb = k / QK;
|
||||||
|
const size_t row_size = nb*(sizeof(float) + sizeof(uint8_t)*QK/2);
|
||||||
|
|
||||||
|
assert(k % QK == 0);
|
||||||
|
|
||||||
|
uint8_t pp[QK/2];
|
||||||
|
|
||||||
|
char * pdst = (char *) dst;
|
||||||
|
|
||||||
|
for (int j = 0; j < n; j += k) {
|
||||||
|
float * pd = (float *) (pdst + (j/k)*row_size);
|
||||||
|
uint8_t * pb = (uint8_t *) (pd + nb);
|
||||||
|
|
||||||
|
for (int i = 0; i < nb; i++) {
|
||||||
|
float amax = 0.0f; // absolute max
|
||||||
|
|
||||||
|
{
|
||||||
|
for (int l = 0; l < QK; l++) {
|
||||||
|
const float v = src[j + i*QK + l];
|
||||||
|
amax = std::max(amax, fabsf(v));
|
||||||
|
}
|
||||||
|
|
||||||
|
const float d = amax / ((1 << 3) - 1);
|
||||||
|
const float id = d ? 1.0f/d : 0.0f;
|
||||||
|
|
||||||
|
pd[i] = d;
|
||||||
|
|
||||||
|
for (int l = 0; l < QK; l += 2) {
|
||||||
|
const float v0 = (src[j + i*QK + l + 0])*id;
|
||||||
|
const float v1 = (src[j + i*QK + l + 1])*id;
|
||||||
|
|
||||||
|
const uint8_t vi0 = ((int8_t) (round(v0))) + 8;
|
||||||
|
const uint8_t vi1 = ((int8_t) (round(v1))) + 8;
|
||||||
|
|
||||||
|
assert(vi0 >= 0 && vi0 < 16);
|
||||||
|
assert(vi1 >= 0 && vi1 < 16);
|
||||||
|
|
||||||
|
pp[l/2] = vi0 | (vi1 << 4);
|
||||||
|
}
|
||||||
|
|
||||||
|
memcpy(pb + i*QK/2, pp, sizeof(pp));
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
return (n/k)*row_size;
|
||||||
|
}
|
||||||
|
|
||||||
|
size_t ggml_quantize_q4_1(float * src, void * dst, int n, int k) {
|
||||||
|
const int nb = k / QK;
|
||||||
|
const size_t row_size = nb*(2*sizeof(float) + sizeof(uint8_t)*QK/2);
|
||||||
|
|
||||||
|
assert(k % QK == 0);
|
||||||
|
|
||||||
|
uint8_t pp[QK/2];
|
||||||
|
|
||||||
|
char * pdst = (char *) dst;
|
||||||
|
|
||||||
|
for (int j = 0; j < n; j += k) {
|
||||||
|
float * pm = (float *) (pdst + (j/k)*row_size);
|
||||||
|
float * pd = (float *) (pm + nb);
|
||||||
|
uint8_t * pb = (uint8_t *) (pd + nb);
|
||||||
|
|
||||||
|
//printf("n = %d, k = %d, nb = %d, row_size = %d, j = %d, pm = %p, pd = %p, pb = %p\n", n, k, nb, row_size, j, pm, pd, pb);
|
||||||
|
|
||||||
|
for (int i = 0; i < nb; i++) {
|
||||||
|
float min = std::numeric_limits<float>::max();
|
||||||
|
float max = std::numeric_limits<float>::min();
|
||||||
|
|
||||||
|
{
|
||||||
|
for (int l = 0; l < QK; l++) {
|
||||||
|
const float v = src[j + i*QK + l];
|
||||||
|
if (v < min) min = v;
|
||||||
|
if (v > max) max = v;
|
||||||
|
}
|
||||||
|
|
||||||
|
const float d = (max - min) / ((1 << 4) - 1);
|
||||||
|
const float id = d ? 1.0f/d : 0.0f;
|
||||||
|
|
||||||
|
pm[i] = min;
|
||||||
|
pd[i] = d;
|
||||||
|
|
||||||
|
for (int l = 0; l < QK; l += 2) {
|
||||||
|
const float v0 = (src[j + i*QK + l + 0] - min)*id;
|
||||||
|
const float v1 = (src[j + i*QK + l + 1] - min)*id;
|
||||||
|
|
||||||
|
const uint8_t vi0 = round(v0);
|
||||||
|
const uint8_t vi1 = round(v1);
|
||||||
|
|
||||||
|
assert(vi0 >= 0 && vi0 < 16);
|
||||||
|
assert(vi1 >= 0 && vi1 < 16);
|
||||||
|
|
||||||
|
pp[l/2] = vi0 | (vi1 << 4);
|
||||||
|
}
|
||||||
|
|
||||||
|
memcpy(pb + i*QK/2, pp, sizeof(pp));
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
return (n/k)*row_size;
|
||||||
|
}
|
||||||
|
|
||||||
|
// default hparams (Whisper tiny)
|
||||||
|
struct whisper_hparams {
|
||||||
|
int32_t n_vocab = 51864;
|
||||||
|
int32_t n_audio_ctx = 1500;
|
||||||
|
int32_t n_audio_state = 384;
|
||||||
|
int32_t n_audio_head = 6;
|
||||||
|
int32_t n_audio_layer = 4;
|
||||||
|
int32_t n_text_ctx = 448;
|
||||||
|
int32_t n_text_state = 384;
|
||||||
|
int32_t n_text_head = 6;
|
||||||
|
int32_t n_text_layer = 4;
|
||||||
|
int32_t n_mels = 80;
|
||||||
|
int32_t f16 = 1;
|
||||||
|
};
|
||||||
|
|
||||||
|
struct whisper_filters {
|
||||||
|
int32_t n_mel;
|
||||||
|
int32_t n_fft;
|
||||||
|
|
||||||
|
std::vector<float> data;
|
||||||
|
};
|
||||||
|
|
||||||
|
// quantize a model
|
||||||
|
bool whisper_model_quantize(const std::string & fname_inp, const std::string & fname_out, int itype) {
|
||||||
|
ggml_type type = GGML_TYPE_Q4_1;
|
||||||
|
|
||||||
|
switch (itype) {
|
||||||
|
case 2: type = GGML_TYPE_Q4_0; break;
|
||||||
|
case 3: type = GGML_TYPE_Q4_1; break;
|
||||||
|
default: fprintf(stderr, "%s: invalid quantization type %d\n", __func__, itype); return 1;
|
||||||
|
};
|
||||||
|
|
||||||
|
if (type != GGML_TYPE_Q4_0 && type != GGML_TYPE_Q4_1) {
|
||||||
|
fprintf(stderr, "%s: invalid quantization type %d\n", __func__, type);
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
|
||||||
|
gpt_vocab vocab;
|
||||||
|
|
||||||
|
printf("%s: loading model from '%s'\n", __func__, fname_inp.c_str());
|
||||||
|
|
||||||
|
auto finp = std::ifstream(fname_inp, std::ios::binary);
|
||||||
|
if (!finp) {
|
||||||
|
fprintf(stderr, "%s: failed to open '%s' for reading\n", __func__, fname_inp.c_str());
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
|
||||||
|
auto fout = std::ofstream(fname_out, std::ios::binary);
|
||||||
|
if (!fout) {
|
||||||
|
fprintf(stderr, "%s: failed to open '%s' for writing\n", __func__, fname_out.c_str());
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
|
||||||
|
// verify magic
|
||||||
|
{
|
||||||
|
uint32_t magic;
|
||||||
|
finp.read((char *) &magic, sizeof(magic));
|
||||||
|
if (magic != 0x67676d6c) {
|
||||||
|
fprintf(stderr, "%s: invalid model file '%s' (bad magic)\n", __func__, fname_inp.c_str());
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
|
||||||
|
fout.write((char *) &magic, sizeof(magic));
|
||||||
|
}
|
||||||
|
|
||||||
|
whisper_hparams hparams;
|
||||||
|
|
||||||
|
// load hparams
|
||||||
|
{
|
||||||
|
finp.read((char *) &hparams.n_vocab, sizeof(hparams.n_vocab));
|
||||||
|
finp.read((char *) &hparams.n_audio_ctx, sizeof(hparams.n_audio_ctx));
|
||||||
|
finp.read((char *) &hparams.n_audio_state, sizeof(hparams.n_audio_state));
|
||||||
|
finp.read((char *) &hparams.n_audio_head, sizeof(hparams.n_audio_head));
|
||||||
|
finp.read((char *) &hparams.n_audio_layer, sizeof(hparams.n_audio_layer));
|
||||||
|
finp.read((char *) &hparams.n_text_ctx, sizeof(hparams.n_text_ctx));
|
||||||
|
finp.read((char *) &hparams.n_text_state, sizeof(hparams.n_text_state));
|
||||||
|
finp.read((char *) &hparams.n_text_head, sizeof(hparams.n_text_head));
|
||||||
|
finp.read((char *) &hparams.n_text_layer, sizeof(hparams.n_text_layer));
|
||||||
|
finp.read((char *) &hparams.n_mels, sizeof(hparams.n_mels));
|
||||||
|
finp.read((char *) &hparams.f16, sizeof(hparams.f16));
|
||||||
|
|
||||||
|
fprintf(stderr, "%s: n_vocab = %d\n", __func__, hparams.n_vocab);
|
||||||
|
fprintf(stderr, "%s: n_audio_ctx = %d\n", __func__, hparams.n_audio_ctx);
|
||||||
|
fprintf(stderr, "%s: n_audio_state = %d\n", __func__, hparams.n_audio_state);
|
||||||
|
fprintf(stderr, "%s: n_audio_head = %d\n", __func__, hparams.n_audio_head);
|
||||||
|
fprintf(stderr, "%s: n_audio_layer = %d\n", __func__, hparams.n_audio_layer);
|
||||||
|
fprintf(stderr, "%s: n_text_ctx = %d\n", __func__, hparams.n_text_ctx);
|
||||||
|
fprintf(stderr, "%s: n_text_state = %d\n", __func__, hparams.n_text_state);
|
||||||
|
fprintf(stderr, "%s: n_text_head = %d\n", __func__, hparams.n_text_head);
|
||||||
|
fprintf(stderr, "%s: n_text_layer = %d\n", __func__, hparams.n_text_layer);
|
||||||
|
fprintf(stderr, "%s: n_mels = %d\n", __func__, hparams.n_mels);
|
||||||
|
fprintf(stderr, "%s: f16 = %d\n", __func__, hparams.f16);
|
||||||
|
|
||||||
|
fout.write((char *) &hparams.n_vocab, sizeof(hparams.n_vocab));
|
||||||
|
fout.write((char *) &hparams.n_audio_ctx, sizeof(hparams.n_audio_ctx));
|
||||||
|
fout.write((char *) &hparams.n_audio_state, sizeof(hparams.n_audio_state));
|
||||||
|
fout.write((char *) &hparams.n_audio_head, sizeof(hparams.n_audio_head));
|
||||||
|
fout.write((char *) &hparams.n_audio_layer, sizeof(hparams.n_audio_layer));
|
||||||
|
fout.write((char *) &hparams.n_text_ctx, sizeof(hparams.n_text_ctx));
|
||||||
|
fout.write((char *) &hparams.n_text_state, sizeof(hparams.n_text_state));
|
||||||
|
fout.write((char *) &hparams.n_text_head, sizeof(hparams.n_text_head));
|
||||||
|
fout.write((char *) &hparams.n_text_layer, sizeof(hparams.n_text_layer));
|
||||||
|
fout.write((char *) &hparams.n_mels, sizeof(hparams.n_mels));
|
||||||
|
fout.write((char *) &itype, sizeof(hparams.f16));
|
||||||
|
}
|
||||||
|
|
||||||
|
// load mel filters
|
||||||
|
{
|
||||||
|
whisper_filters filters;
|
||||||
|
|
||||||
|
finp.read ((char *) &filters.n_mel, sizeof(filters.n_mel));
|
||||||
|
fout.write((char *) &filters.n_mel, sizeof(filters.n_mel));
|
||||||
|
finp.read ((char *) &filters.n_fft, sizeof(filters.n_fft));
|
||||||
|
fout.write((char *) &filters.n_fft, sizeof(filters.n_fft));
|
||||||
|
|
||||||
|
filters.data.resize(filters.n_mel * filters.n_fft);
|
||||||
|
finp.read ((char *) filters.data.data(), filters.data.size() * sizeof(float));
|
||||||
|
fout.write((char *) filters.data.data(), filters.data.size() * sizeof(float));
|
||||||
|
}
|
||||||
|
|
||||||
|
// load vocab
|
||||||
|
{
|
||||||
|
int32_t n_vocab = 0;
|
||||||
|
finp.read ((char *) &n_vocab, sizeof(n_vocab));
|
||||||
|
fout.write((char *) &n_vocab, sizeof(n_vocab));
|
||||||
|
|
||||||
|
//if (n_vocab != hparams.n_vocab) {
|
||||||
|
// fprintf(stderr, "%s: invalid model file '%s' (bad vocab size %d != %d)\n",
|
||||||
|
// __func__, fname_inp.c_str(), n_vocab, hparams.n_vocab);
|
||||||
|
// return false;
|
||||||
|
//}
|
||||||
|
|
||||||
|
std::string word;
|
||||||
|
for (int i = 0; i < n_vocab; i++) {
|
||||||
|
uint32_t len;
|
||||||
|
finp.read ((char *) &len, sizeof(len));
|
||||||
|
fout.write((char *) &len, sizeof(len));
|
||||||
|
|
||||||
|
word.resize(len);
|
||||||
|
finp.read ((char *) word.data(), len);
|
||||||
|
fout.write((char *) word.data(), len);
|
||||||
|
|
||||||
|
vocab.token_to_id[word] = i;
|
||||||
|
vocab.id_to_token[i] = word;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
// load weights
|
||||||
|
{
|
||||||
|
size_t total_size_org = 0;
|
||||||
|
size_t total_size_new = 0;
|
||||||
|
|
||||||
|
std::vector<float> data;
|
||||||
|
std::vector<float> work;
|
||||||
|
|
||||||
|
std::vector<uint8_t> data_u8;
|
||||||
|
std::vector<ggml_fp16_t> data_f16;
|
||||||
|
|
||||||
|
while (true) {
|
||||||
|
int32_t n_dims;
|
||||||
|
int32_t length;
|
||||||
|
int32_t ftype;
|
||||||
|
|
||||||
|
finp.read(reinterpret_cast<char *>(&n_dims), sizeof(n_dims));
|
||||||
|
finp.read(reinterpret_cast<char *>(&length), sizeof(length));
|
||||||
|
finp.read(reinterpret_cast<char *>(&ftype), sizeof(ftype));
|
||||||
|
|
||||||
|
if (finp.eof()) {
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
|
||||||
|
int32_t nelements = 1;
|
||||||
|
int32_t ne[3] = { 1, 1, 1 };
|
||||||
|
for (int i = 0; i < n_dims; ++i) {
|
||||||
|
finp.read (reinterpret_cast<char *>(&ne[i]), sizeof(ne[i]));
|
||||||
|
nelements *= ne[i];
|
||||||
|
}
|
||||||
|
|
||||||
|
std::string name(length, 0);
|
||||||
|
finp.read (&name[0], length);
|
||||||
|
|
||||||
|
{
|
||||||
|
static const char * ftype_str[] = { "f32", "f16", "q4_0", "q4_1", };
|
||||||
|
printf("%48s - [%5d, %5d, %5d], type = %6s ", name.data(), ne[0], ne[1], ne[2], ftype_str[ftype]);
|
||||||
|
}
|
||||||
|
|
||||||
|
// regexes of tensor names to not be quantized
|
||||||
|
const std::vector<std::string> k_names = {
|
||||||
|
//"encoder.*",
|
||||||
|
"encoder.conv1.bias",
|
||||||
|
"encoder.conv2.bias",
|
||||||
|
"encoder.positional_embedding",
|
||||||
|
"decoder.positional_embedding",
|
||||||
|
};
|
||||||
|
|
||||||
|
bool quantize = true;
|
||||||
|
for (const auto & s : k_names) {
|
||||||
|
if (std::regex_match(name, std::regex(s))) {
|
||||||
|
quantize = false;
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
// quantize only 2D and 3D tensors
|
||||||
|
quantize &= (n_dims == 2);
|
||||||
|
|
||||||
|
if (quantize) {
|
||||||
|
if (ftype != 0 && ftype != 1) {
|
||||||
|
fprintf(stderr, "%s: unsupported ftype %d for integer quantization\n", __func__, ftype);
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
|
||||||
|
if (ftype == 1) {
|
||||||
|
data_f16.resize(nelements);
|
||||||
|
finp.read(reinterpret_cast<char *>(data_f16.data()), nelements * sizeof(ggml_fp16_t));
|
||||||
|
data.resize(nelements);
|
||||||
|
for (int i = 0; i < nelements; ++i) {
|
||||||
|
data[i] = ggml_fp16_to_fp32(data_f16[i]);
|
||||||
|
}
|
||||||
|
} else {
|
||||||
|
data.resize(nelements);
|
||||||
|
finp.read(reinterpret_cast<char *>(data.data()), nelements * sizeof(float));
|
||||||
|
}
|
||||||
|
|
||||||
|
ftype = itype;
|
||||||
|
} else {
|
||||||
|
const int bpe = (ftype == 0) ? sizeof(float) : sizeof(uint16_t);
|
||||||
|
|
||||||
|
data_u8.resize(nelements*bpe);
|
||||||
|
finp.read(reinterpret_cast<char *>(data_u8.data()), nelements * bpe);
|
||||||
|
}
|
||||||
|
|
||||||
|
fout.write(reinterpret_cast<char *>(&n_dims), sizeof(n_dims));
|
||||||
|
fout.write(reinterpret_cast<char *>(&length), sizeof(length));
|
||||||
|
fout.write(reinterpret_cast<char *>(&ftype), sizeof(ftype));
|
||||||
|
for (int i = 0; i < n_dims; ++i) {
|
||||||
|
fout.write(reinterpret_cast<char *>(&ne[i]), sizeof(ne[i]));
|
||||||
|
}
|
||||||
|
fout.write(&name[0], length);
|
||||||
|
|
||||||
|
if (quantize) {
|
||||||
|
printf("quantizing .. ");
|
||||||
|
work.resize(nelements); // for quantization
|
||||||
|
|
||||||
|
size_t cur_size = 0;
|
||||||
|
|
||||||
|
switch (type) {
|
||||||
|
case GGML_TYPE_Q4_0:
|
||||||
|
{
|
||||||
|
cur_size = ggml_quantize_q4_0(data.data(), work.data(), nelements, ne[0]);
|
||||||
|
} break;
|
||||||
|
case GGML_TYPE_Q4_1:
|
||||||
|
{
|
||||||
|
cur_size = ggml_quantize_q4_1(data.data(), work.data(), nelements, ne[0]);
|
||||||
|
} break;
|
||||||
|
default:
|
||||||
|
{
|
||||||
|
fprintf(stderr, "%s: unsupported quantization type %d\n", __func__, type);
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
fout.write(reinterpret_cast<char *>(work.data()), cur_size);
|
||||||
|
total_size_new += cur_size;
|
||||||
|
|
||||||
|
printf("size = %8.3f MB -> %8.3f MB\n", nelements * sizeof(float)/1024.0/1024.0, cur_size/1024.0/1024.0);
|
||||||
|
} else {
|
||||||
|
printf("size = %8.3f MB\n", data_u8.size()/1024.0/1024.0);
|
||||||
|
fout.write(reinterpret_cast<char *>(data_u8.data()), data_u8.size());
|
||||||
|
total_size_new += data_u8.size();
|
||||||
|
}
|
||||||
|
|
||||||
|
total_size_org += nelements * sizeof(float);
|
||||||
|
}
|
||||||
|
|
||||||
|
printf("%s: model size = %8.2f MB\n", __func__, total_size_org/1024.0/1024.0);
|
||||||
|
printf("%s: quant size = %8.2f MB\n", __func__, total_size_new/1024.0/1024.0);
|
||||||
|
}
|
||||||
|
|
||||||
|
finp.close();
|
||||||
|
fout.close();
|
||||||
|
|
||||||
|
return true;
|
||||||
|
}
|
||||||
|
|
||||||
|
// usage:
|
||||||
|
// ./gpt-2-quantize models/gpt-2-117M/ggml-model.bin models/gpt-2-117M/ggml-model-quant.bin type
|
||||||
|
//
|
||||||
|
int main(int argc, char ** argv) {
|
||||||
|
if (argc != 4) {
|
||||||
|
fprintf(stderr, "usage: %s model-f32.bin model-quant.bin type\n", argv[0]);
|
||||||
|
fprintf(stderr, " type = 2 - q4_0\n");
|
||||||
|
fprintf(stderr, " type = 3 - q4_1\n");
|
||||||
|
return 1;
|
||||||
|
}
|
||||||
|
|
||||||
|
// needed to initialize f16 tables
|
||||||
|
{
|
||||||
|
struct ggml_init_params params = { 0, NULL };
|
||||||
|
struct ggml_context * ctx = ggml_init(params);
|
||||||
|
ggml_free(ctx);
|
||||||
|
}
|
||||||
|
|
||||||
|
const std::string fname_inp = argv[1];
|
||||||
|
const std::string fname_out = argv[2];
|
||||||
|
|
||||||
|
const int itype = atoi(argv[3]);
|
||||||
|
|
||||||
|
const int64_t t_main_start_us = ggml_time_us();
|
||||||
|
|
||||||
|
int64_t t_quantize_us = 0;
|
||||||
|
|
||||||
|
// load the model
|
||||||
|
{
|
||||||
|
const int64_t t_start_us = ggml_time_us();
|
||||||
|
|
||||||
|
if (!whisper_model_quantize(fname_inp, fname_out, itype)) {
|
||||||
|
fprintf(stderr, "%s: failed to quantize model from '%s'\n", __func__, fname_inp.c_str());
|
||||||
|
return 1;
|
||||||
|
}
|
||||||
|
|
||||||
|
t_quantize_us = ggml_time_us() - t_start_us;
|
||||||
|
}
|
||||||
|
|
||||||
|
// report timing
|
||||||
|
{
|
||||||
|
const int64_t t_main_end_us = ggml_time_us();
|
||||||
|
|
||||||
|
printf("\n");
|
||||||
|
printf("%s: quantize time = %8.2f ms\n", __func__, t_quantize_us/1000.0f);
|
||||||
|
printf("%s: total time = %8.2f ms\n", __func__, (t_main_end_us - t_main_start_us)/1000.0f);
|
||||||
|
}
|
||||||
|
|
||||||
|
return 0;
|
||||||
|
}
|
Loading…
Reference in new issue