Google Gemma 2b AWQ 4bit Smashed

🚀 Pruna AI：让AI模型更廉价、更小、更快、更环保！

Pruna AI致力于压缩AI模型，让模型在成本、体积、速度和环保性上都有显著提升，为用户带来更高效的使用体验。

• 如果你喜欢这个模型，就点个赞吧！
• 点击此处联系我们，告诉我们接下来要压缩哪个模型。
• 点击此处申请访问权限，轻松压缩你自己的AI模型。
• 点击此处阅读文档以了解更多信息。
• 点击此处加入Pruna AI的Discord社区，分享反馈、建议或获取帮助。

📊 结果展示

常见问题解答

• 压缩是如何工作的？ 模型使用awq进行压缩。
• 模型质量会发生怎样的变化？ 与基础模型相比，模型输出的质量可能会有所不同。
• 如何评估模型效率？ 这些结果是在NVIDIA A100 - PCIE - 40GB上获得的，配置信息在model/smash_config.json中描述，并且是在硬件预热后获得的。压缩后的模型直接与原始基础模型进行比较。在其他设置（如其他硬件、图像大小、批量大小等）下，效率结果可能会有所不同。我们建议在实际使用条件下直接运行，以确定压缩后的模型是否对你有帮助。
• 模型格式是什么？ 我们使用safetensors。
• 使用了哪些校准数据？ 如果压缩方法需要，我们使用WikiText作为校准数据。
• Pruna Huggingface模型的命名规则是什么？ 如果压缩后的模型在推理速度、推理内存或推理能耗方面低于原始基础模型的90%，我们会在原始模型名称后加上“turbo”、“tiny”或“green”。
• 如何压缩我自己的模型？ 你可以点击此处申请高级访问权限，以获取更多压缩方法和针对特定用例的技术支持。
• 什么是“首次”指标？ 提到“首次”的结果是在模型首次运行后获得的。由于cuda开销，首次运行可能比后续运行占用更多内存或更慢。
• 什么是“同步”和“异步”指标？ “同步”指标是通过同步所有GPU进程并在所有进程执行完毕后停止测量获得的。“异步”指标是在不同步所有GPU进程的情况下获得的，并在模型输出可供CPU使用时停止。由于这两种指标在不同用例中都可能相关，我们同时提供这两种指标。我们建议在你的用例中直接测试效率提升情况。

📦 安装指南

你可以按照以下步骤运行压缩后的模型：

0. 检查是否已安装原始仓库google/gemma - 2b的依赖项。特别是要检查python、cuda和transformers的版本。
1. 确保你已经安装了与量化相关的包。

   pip install autoawq
   

2. 加载并运行模型。

   from transformers import AutoModelForCausalLM, AutoTokenizer
   from awq import AutoAWQForCausalLM
   
   model = AutoAWQForCausalLM.from_quantized("PrunaAI/google-gemma-2b-AWQ-4bit-smashed", trust_remote_code=True, device_map='auto')
   tokenizer = AutoTokenizer.from_pretrained("google/gemma-2b")
   
   input_ids = tokenizer("What is the color of prunes?,", return_tensors='pt').to(model.device)["input_ids"]
   
   outputs = model.generate(input_ids, max_new_tokens=216)
   tokenizer.decode(outputs[0])
   

⚙️ 配置信息

配置信息位于smash_config.json中。

📄 许可证

压缩后模型的许可证遵循原始模型的许可证。在使用此模型之前，请检查原始模型google/gemma - 2b的许可证。pruna - engine的许可证可在Pypi上查看。

💌 压缩其他模型

• 点击此处联系我们，告诉我们接下来要压缩哪个模型。
• 点击此处申请访问权限，轻松压缩你自己的AI模型。