মডেল কোয়ান্টাইজেশন
মডেল কোয়ান্টাইজেশন একটি নিউরাল নেটওয়ার্ককে সংকুচিত করে তার সংখ্যা কম বিটে সংরক্ষণ করে, তাই একই মডেল দ্রুত এবং ছোট হার্ডওয়্যারে চলে।
ওভারভিউ
It is the main reason large models can fit on a single GPU, a laptop, or even a phone.
গভীর ডুব
প্রশিক্ষিত মডেলগুলি সাধারণত প্রতিটি ওজনকে 32-বিট বা 16-বিট ফ্লোটিং-পয়েন্ট নম্বর হিসাবে সংরক্ষণ করে। কোয়ান্টাইজেশন 8-বিট পূর্ণসংখ্যা (INT8) বা 4-বিট মান (INT4) এর মতো নিম্ন-নির্ভুলতা বিন্যাসগুলিকে প্রতিস্থাপন করে, মোটামুটিভাবে 4x থেকে 8x মেমরি কাটে। একটি 70-বিলিয়ন-প্যারামিটার মডেল যেটির জন্য 16-বিটে প্রায় 140GB প্রয়োজন 4-বিটে 35GB এর কাছাকাছি যেতে পারে, একটি ভোক্তা GPU-তে ফিট করে। ক্যাচ হল নির্ভুলতা: 256 বা 16টি বালতিতে বিস্তৃত মান চেপে বিশদ হারায়। আধুনিক পদ্ধতি যেমন GPTQ, AWQ, এবং QLoRA তে ব্যবহৃত NF4 ফর্ম্যাটগুলি স্মার্ট স্কেলিং ফ্যাক্টর বাছাই করে এবং সবচেয়ে সংবেদনশীল ওজনগুলিকে রক্ষা করে, তাই গুণমানের ক্ষতি প্রায়শই কম হয়। কোয়ান্টাইজেশনের কারণেই llama.cpp এবং Ollama-এর মতো টুলগুলি ডেটা সেন্টার ছাড়াই স্থানীয়ভাবে সক্ষম মডেল চালাতে পারে।
প্রযুক্তিগত অন্তর্দৃষ্টি
কোয়ান্টাইজেশন একটি স্কেল এবং একটি শূন্য-পয়েন্ট ব্যবহার করে একটি ছোট পূর্ণসংখ্যা গ্রিডে বাস্তব মান ম্যাপ করে: stored_int = বৃত্তাকার(মান/স্কেল) + zero_point। স্কেল ভাল নির্বাচন পুরো খেলা. প্রতি-চ্যানেল বা প্রতি-গ্রুপ স্কেলিং একটি ওজন ম্যাট্রিক্সের স্লাইসগুলির জন্য পৃথক স্কেল রাখে, যেখানে এটি গুরুত্বপূর্ণ সেখানে নির্ভুলতা সংরক্ষণ করে। প্রশিক্ষণ-পরবর্তী কোয়ান্টাইজেশন শুধুমাত্র একটি সমাপ্ত মডেলকে রূপান্তর করে, যখন কোয়ান্টাইজেশন-সচেতন প্রশিক্ষণ প্রশিক্ষণের সময় রাউন্ডিং অনুকরণ করে যাতে নেটওয়ার্ক এটি সহ্য করতে শেখে, সাধারণত আরও কম-বিট সঠিকতা দেয়।
কৌশলগত প্রভাব
খরচ ও বাজেট
আর্কিটেকচারের সিদ্ধান্তগুলি বছরের পর বছর ধরে কর্মক্ষমতা এবং অপারেটিং খরচ চালায়।
সুস্পষ্ট সিদ্ধান্ত
কারিগরি শিক্ষা দলগুলোকে সঠিক স্ট্যাক বেছে নিতে সাহায্য করে, শুধু নতুনটি নয়।
মান নিয়ন্ত্রণ
ভালো ইঞ্জিনিয়ারিং পছন্দ উৎপাদনে নির্ভরযোগ্যতার ঘটনা কমিয়ে দেয়।
মডেল কোয়ান্টাইজেশনের ভবিষ্যত
স্বাভাবিক হওয়ার জন্য সর্বনিম্ন নির্ভুলতা আশা করুন। গবেষণা নির্ভরযোগ্য 4-বিট, 2-বিট এবং এমনকি বাইনারি ওজনের পাশাপাশি মিশ্র-নির্ভুল স্কিমগুলিকে চাপ দিচ্ছে যা সংবেদনশীল স্তরগুলিকে উচ্চতর রাখে। হার্ডওয়্যার অনুসরণ করছে: GPU এবং ফোন চিপগুলিতে এখন নেটিভ INT8, INT4, এবং FP8 গণিত ইউনিট অন্তর্ভুক্ত রয়েছে। FP8 এবং MXFP4-এর মতো ফরম্যাটগুলি পূর্ণসংখ্যার আকারের সাথে ফ্লোটের পরিসরকে একত্রিত করার লক্ষ্য রাখে। QLoRA-এর মতো কৌশলগুলির সাথে একত্রিত, কোয়ান্টাইজেশন ফ্রন্টিয়ার-স্কেল মডেলগুলিকে চালানোর জন্য সস্তা এবং দৈনন্দিন ডিভাইসগুলিতে সূক্ষ্ম-টিউন করতে থাকবে।
বাস্তব-বিশ্ব বাস্তবায়ন
4-বিট GGUF ফাইল ব্যবহার করে llama.cpp বা ওল্লামা সহ একটি ল্যাপটপে 7B বা 13B লামা মডেল চালানো।
QLoRA 4-বিট NF4-এ বেস ওয়েট হিমায়িত রেখে একটি একক GPU-তে একটি বড় মডেলের ফাইন-টিউনিং।
অন-ডিভাইস রানটাইম সহ ফোনে INT8 মডেল স্থাপন করা হচ্ছে যাতে সহকারীরা অফলাইনে এবং ব্যক্তিগতভাবে কাজ করে।
সস্তা API এন্ডপয়েন্ট পরিবেশন করা যেখানে INT8/FP8 কোয়ান্টাইজেশন প্রায় দ্বিগুণ থ্রুপুট এবং মেমরি খরচ কম করে।
ঝুঁকি এবং প্রহরী
একটি বেঞ্চমার্ক অপ্টিমাইজ করা বৃহত্তর সিস্টেম দুর্বলতা আড়াল করতে পারে।
অবকাঠামো এবং রক্ষণাবেক্ষণের খরচ প্রায়ই অবমূল্যায়ন করা হয়।
সিস্টেমগুলি আরও জটিল হওয়ার সাথে সাথে সুরক্ষা এবং পর্যবেক্ষণযোগ্যতার ফাঁক বাড়তে পারে।
বাস্তবায়ন রোডম্যাপ
বাস্তবায়নের আগে বিলম্ব, গুণমান এবং খরচের লক্ষ্য নির্ধারণ করুন।
বাস্তবসম্মত লোড এবং ডেটা অবস্থার অধীনে বেঞ্চমার্ক।
ত্রুটি, প্রবাহ, এবং ব্যবহারকারীর প্রভাবের জন্য যন্ত্র পর্যবেক্ষণ।
স্কেল করার আগে রোলব্যাক এবং ঘটনার প্রতিক্রিয়া পাথ প্রস্তুত করুন।
অন্বেষণ চালিয়ে যান
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Model Quantization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
মডেল রেজিস্ট্রি
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is Model Quantization?
মডেল কোয়ান্টাইজেশন একটি নিউরাল নেটওয়ার্ককে সংকুচিত করে তার সংখ্যা কম বিটে সংরক্ষণ করে, তাই একই মডেল দ্রুত এবং ছোট হার্ডওয়্যারে চলে। এটি প্রধান কারণ যে বড় মডেলগুলি একটি একক GPU, একটি ল্যাপটপ, এমনকি একটি ফোনেও ফিট করতে পারে৷
মডেল কোয়ান্টাইজেশন প্রাথমিকভাবে একটি নিউরাল নেটওয়ার্ক সম্পর্কে কি পরিবর্তন করে?
কোয়ান্টাইজেশন একই পরামিতিগুলিকে কম বিটগুলিতে সংরক্ষণ করে (উদাহরণস্বরূপ 16- বা 32-বিট ফ্লোটের পরিবর্তে INT8 বা INT4), মেমরি হ্রাস করে এবং গণিতের গতি বাড়ায়।
মোটামুটিভাবে একটি মডেলকে 16-বিট থেকে 4-বিট-এ রূপান্তর করা কতটা মেমরি সংরক্ষণ করতে পারে?
প্রতি ওজন 16 বিট থেকে 4 বিট পর্যন্ত যাওয়া স্টোরেজকে প্রায় চার ফ্যাক্টর কমিয়ে দেয়, যে কারণে বিশাল মডেলগুলি একক GPU-তে ফিট হতে পারে।
আক্রমনাত্মক লো-বিট কোয়ান্টাইজেশনের প্রধান ক্ষতি কী?
কয়েকটি পৃথক স্তরে বিস্তৃত মান ম্যাপ করা বিশদ হারায়, যা গুণমান হ্রাস করতে পারে যদি না স্মার্ট স্কেলিং সংবেদনশীল ওজনকে রক্ষা করে।
কিভাবে কোয়ান্টাইজেশন-সচেতন প্রশিক্ষণ পোস্ট-প্রশিক্ষণ কোয়ান্টাইজেশন থেকে আলাদা?
কোয়ান্টাইজেশন-সচেতন প্রশিক্ষণ প্রশিক্ষণ লুপে রাউন্ডিং ত্রুটি তৈরি করে, তাই নেটওয়ার্ক মানিয়ে নেয় এবং সাধারণত কম বিট প্রস্থে আরও নির্ভুলতা রাখে।
কোন কৌশলটি 4-বিট কোয়ান্টাইজেশন ব্যবহার করে একটি জিপিইউতে সূক্ষ্ম-টিউনিং বড় মডেলগুলিকে সাশ্রয়ী করতে?
QLoRA বেস মডেলকে 4-বিট NF4 ফর্ম্যাটে হিমায়িত রাখে এবং ছোট অ্যাডাপ্টারের ওজন প্রশিক্ষণ দেয়, বড় মডেলগুলিকে পরিমিত হার্ডওয়্যারের উপর সূক্ষ্ম-টিউন করতে দেয়।