如何用 ggml 将 GPT-2 模型从 F16 量化为 Q4_0 并运行量化模型推理-北京尧图网络

如何用 ggml 将 GPT-2 模型从 F16 量化为 Q4_0 并运行量化模型推理【免费下载链接】ggmlTensor library for machine learning项目地址: https://gitcode.com/GitHub_Trending/gg/ggmlggml 仓库的 examples/gpt-2 提供了在纯 CPU 上运行 GPT-2 推理的示例程序不要求显卡。要压缩模型体积、降低内存占用可以把 F16 格式的 ggml 模型文件量化为 Q4_04-bit 整数量化再用同一个gpt-2推理程序加载量化后的文件生成文本。本文覆盖的完整路径是从源码构建 ggml → 下载 GPT-2 的 ggml 模型 → 用gpt-2-quantize把 F16 文件量化成 Q4_0 → 用-m参数指定量化文件跑一次推理并通过加载日志确认模型类型。构建 ggml 并生成 gpt-2 系列可执行文件示例程序依赖 C 编译器和 CMake构建产物位于build/bin/目录其中的gpt-2是推理程序、gpt-2-quantize是量化程序目标定义见 examples/gpt-2/CMakeLists.txt。按 README 的 Quick start 构建git clone https://github.com/ggml-org/ggml cd ggml mkdir build cd build cmake .. cmake --build . --config Release -j 8构建完成后build/bin/gpt-2和build/bin/gpt-2-quantize应当存在。gpt-2-quantize只有在未启用GGML_BACKEND_DL时才会随示例一起构建见 examples/CMakeLists.txt默认构建不受此影响。注意后续所有量化和推理命令都以build/为工作目录执行因为模型文件都落在build/models/下命令中的路径是相对于build/的。下载 GPT-2 的 ggml 模型在build/目录中运行仓库提供的下载脚本直接获取已转换好的 ggml 二进制文件无需 Python 和 Tensorflowcd ggml/build ../examples/gpt-2/download-ggml-model.sh 117M脚本的输入参数是模型规模支持117M、345M、774M、1558M四种取值传错会打印 Invalid model 并退出见 download-ggml-model.sh。脚本会创建models/gpt-2-规模/目录并把模型保存为其中的ggml-model.bin。脚本内部使用wget或curl下载两者必须至少安装其一否则会提示 Either wget or curl is required。成功时脚本的结尾输出文档示例Downloading ggml model 117M ... models/gpt-2-117M/ggml-model.bin 100%[] 239.58M 8.52MB/s in 28s Done! Model 117M saved in models/gpt-2-117M/ggml-model.bin You can now use it like this: $ ./bin/gpt-2 -m models/gpt-2-117M/ggml-model.bin -p This is an example量化这一步需要一个 F16 格式的源文件。download-ggml-model.sh的下载结果文件名固定为ggml-model.binREADME 中量化命令引用的 1558M 模型路径写作models/gpt-2-1558M/ggml-model-f16.bin。如果你的 F16 源文件不在这个路径把量化命令的第一个参数换成你的实际 F16 文件路径即可。可选替代路径如果你手头是原始 Tensorflow 格式的 GPT-2 checkpoint可以用 download-model.sh 下载原始文件再用 convert-ckpt-to-ggml.py 转成 ggml 格式。这条路径需要在本机安装 Python 和 Tensorflow。用 gpt-2-quantize 将 F16 模型量化为 Q4_0gpt-2-quantize的调用格式是输入模型文件输出模型文件目标格式第三个参数支持q4_0这样的字符串或对应的数字编号q4_0对应枚举值2映射关系在 examples/common-ggml.cpp 的ggml_print_ftypes/ggml_parse_ftype编号定义在 include/ggml.h 的ggml_ftype枚举。参数个数不对时程序会打印 usage 和全部可选类型。README 给出的 GPT-2 F16 量化为 Q4_0 的完整示例是针对 1558M 模型# quantize GPT-2 F16 to Q4_0 (faster but less precise) ./bin/gpt-2-quantize models/gpt-2-1558M/ggml-model-f16.bin models/gpt-2-1558M/ggml-model-q4_0.bin 2按同样的形式处理你自己下载的模型文件例如 117M 模型假设 F16 源文件为models/gpt-2-117M/ggml-model.bin请替换为你实际的源文件路径./bin/gpt-2-quantize models/gpt-2-117M/ggml-model.bin models/gpt-2-117M/ggml-model-q4_0.bin q4_0量化过程会逐张复制张量对匹配model/wte、model/lm_head以及各层attn/mlp投影权重的张量做 Q4_0 量化其余张量保持原精度张量名规则见 quantize.cpp 中的to_quant列表。量化命令成功时会打印源/目标类型和耗时ftype (dst)为2表示输出文件是 Q4_0gpt2_model_quantize: ftype (src) 1 gpt2_model_quantize: ftype (dst) 2 gpt2_model_quantize: quantize time ... ms gpt2_model_quantize: total time ... ms输入文件不是合法的 ggml 文件时会报错退出例如invalid model file path (bad magic)见 quantize.cpp。README 同时明确提醒对小模型做量化会使它们完全失去实用性一般应该量化更大的模型因此下文的验证以 1558M 为例。运行量化模型的推理并核对加载信息量化完成后用同一个gpt-2推理程序加载 Q4_0 文件./bin/gpt-2 -m models/gpt-2-1558M/ggml-model-q4_0.bin -p This is an example常用选项来自 README 的-h输出-m缺省值是models/gpt-2-117M/ggml-model.bin选项说明默认值-s, --seed随机种子-1-t, --threads计算线程数8-p, --prompt起始提示词random-n, --n_predict预测 token 数200--top_ktop-k 采样40--top_ptop-p 采样0.9--temptemperature1.0-b, --batch_sizeprompt 处理的 batch size8-m, --model模型文件路径models/gpt-2-117M/ggml-model.bin运行开始时会打印模型加载日志。核对量化文件是否被正确识别关键看类型一行F16 模型打印f16 1而 Q4_0 模型的ftype值为2示例输出数值会随实际模型不同gpt2_model_load: loading model from models/gpt-2-1558M/ggml-model-q4_0.bin gpt2_model_load: n_vocab 50257 ... gpt2_model_load: ftype 2推理结束时会打印本次生成的文本、每个 token 的内存占用和耗时统计main: load time 106.32 ms main: sample time 7.10 ms main: predict time 506.40 ms / 5.06 ms per token main: total time 629.84 ms以上是文档中的示例结果你的机器上数值会不同它的作用只是展示输出包含哪些行。限制与边界量化与推理都在build/目录内以相对路径执行download-ggml-model.sh和推理程序对models/...的引用都基于当前工作目录离开build/再执行上述命令会找不到文件。小模型如 117M量化为 Q4_0 后质量明显下降README 建议量化更大的模型这也是文档示例选 1558M 的原因。该示例程序在 CPU 上运行不依赖显卡如果gpt-2在加载时发现 CUDA 设备日志中仍会显示当前使用的 backend推理逻辑不变。gpt-2-quantize第三个参数传入q4_1等其他类型是合法的README 中 Cerebras 模型用的就是q4_1编号 3但那样得到的不是本文标题所指的 Q4_0 文件注意区分输出文件名。完成上述步骤后你手上会有一个体积更小的ggml-model-q4_0.bin并且gpt-2能加载它正常生成文本、打印耗时统计说明 F16 → Q4_0 的量化和量化推理这条链路已经跑通。【免费下载链接】ggmlTensor library for machine learning项目地址: https://gitcode.com/GitHub_Trending/gg/ggml创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

如何用 ggml 将 GPT-2 模型从 F16 量化为 Q4_0 并运行量化模型推理

相关推荐

C++实现经典2048小游戏：核心算法与避坑指南

使用 Nx 构建 Bitwarden Monorepo：命令速查、项目配置与缓存机制实战指南

Web设计源码仓库建设方法论：结构可追溯、样式可继承、交付可验证

更多资讯

抖音视频批量下载实测：3 步从粘贴链接到原画质无水印文件

深入 gs-quant SecurityMaster：多标识符时点化证券检索与标识符映射实战指南

EIP-7792 可验证日志：用链上日志累积器让 eth_getLogs 响应可验证

宝塔面板快速部署Typecho个人博客：从零到上线全攻略

TanStack Solid Start 生成式引擎优化（GEO）实战指南：让 AI 助手准确理解、引用并推荐你的应用

ArduPilot 中通过 Lua 脚本驱动 SkyPower EFI：参数配置、CAN 通信与自动重启实战指南

今日更新

基于高阶循环谱的MPSK载波频率估计与MATLAB实现

MiniPdf方：.NET开源Office转PDF的高效解决方案

Solon AI v3.10：Java全栈智能体开发框架解析

本周精选

AI驱动的自动化专利分析平台技术解析

LeetCode-Go 题解：1252. Cells with Odd Values in a Matrix（奇数值单元格计数）双解法剖析

在线答疑系统Java毕设实战：Spring Boot前后端分离与状态流转

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？