mirror of
https://github.com/ggerganov/llama.cpp.git
synced 2024-12-26 06:10:29 +01:00
Introduce C-style API (#370)
* Major refactoring - introduce C-style API * Clean up * Add <cassert> * Add <iterator> * Add <algorithm> .... * Fix timing reporting and accumulation * Measure eval time only for single-token calls * Change llama_tokenize return meaning
This commit is contained in:
parent
da0e9fe90c
commit
f5a77a629b
@ -207,15 +207,10 @@ else()
|
|||||||
message(STATUS "Unknown architecture")
|
message(STATUS "Unknown architecture")
|
||||||
endif()
|
endif()
|
||||||
|
|
||||||
|
|
||||||
#
|
#
|
||||||
# Build library
|
# Build libraries
|
||||||
#
|
#
|
||||||
|
|
||||||
add_executable(llama main.cpp)
|
|
||||||
|
|
||||||
add_executable(quantize quantize.cpp)
|
|
||||||
|
|
||||||
add_library(utils OBJECT
|
add_library(utils OBJECT
|
||||||
utils.cpp
|
utils.cpp
|
||||||
utils.h)
|
utils.h)
|
||||||
@ -229,14 +224,24 @@ add_library(ggml OBJECT
|
|||||||
|
|
||||||
target_include_directories(ggml PUBLIC .)
|
target_include_directories(ggml PUBLIC .)
|
||||||
target_compile_features(ggml PUBLIC c_std_11) # don't bump
|
target_compile_features(ggml PUBLIC c_std_11) # don't bump
|
||||||
|
|
||||||
#
|
|
||||||
# Linking
|
|
||||||
#
|
|
||||||
|
|
||||||
target_link_libraries(ggml PRIVATE Threads::Threads ${LLAMA_EXTRA_LIBS})
|
target_link_libraries(ggml PRIVATE Threads::Threads ${LLAMA_EXTRA_LIBS})
|
||||||
target_link_libraries(llama PRIVATE ggml utils)
|
|
||||||
target_link_libraries(quantize PRIVATE ggml utils)
|
add_library(llama OBJECT
|
||||||
|
llama.cpp
|
||||||
|
llama.h)
|
||||||
|
|
||||||
|
target_include_directories(llama PUBLIC .)
|
||||||
|
target_compile_features(llama PUBLIC cxx_std_11) # don't bump
|
||||||
|
|
||||||
|
#
|
||||||
|
# Executables
|
||||||
|
#
|
||||||
|
|
||||||
|
add_executable(main main.cpp)
|
||||||
|
target_link_libraries(main PRIVATE llama ggml utils)
|
||||||
|
|
||||||
|
add_executable(quantize quantize.cpp)
|
||||||
|
target_link_libraries(quantize PRIVATE llama ggml utils)
|
||||||
|
|
||||||
#
|
#
|
||||||
# programs, examples and tests
|
# programs, examples and tests
|
||||||
|
11
Makefile
11
Makefile
@ -220,18 +220,21 @@ default: main quantize
|
|||||||
ggml.o: ggml.c ggml.h
|
ggml.o: ggml.c ggml.h
|
||||||
$(CC) $(CFLAGS) -c ggml.c -o ggml.o
|
$(CC) $(CFLAGS) -c ggml.c -o ggml.o
|
||||||
|
|
||||||
|
llama.o: llama.cpp llama.h
|
||||||
|
$(CXX) $(CXXFLAGS) -c llama.cpp -o llama.o
|
||||||
|
|
||||||
utils.o: utils.cpp utils.h
|
utils.o: utils.cpp utils.h
|
||||||
$(CXX) $(CXXFLAGS) -c utils.cpp -o utils.o
|
$(CXX) $(CXXFLAGS) -c utils.cpp -o utils.o
|
||||||
|
|
||||||
clean:
|
clean:
|
||||||
rm -f *.o main quantize
|
rm -f *.o main quantize
|
||||||
|
|
||||||
main: main.cpp ggml.o utils.o
|
main: main.cpp ggml.o llama.o utils.o
|
||||||
$(CXX) $(CXXFLAGS) main.cpp ggml.o utils.o -o main $(LDFLAGS)
|
$(CXX) $(CXXFLAGS) main.cpp ggml.o llama.o utils.o -o main $(LDFLAGS)
|
||||||
@echo "\x1b[36mrun ./main -h for help\x1b[0m"
|
@echo "\x1b[36mrun ./main -h for help\x1b[0m"
|
||||||
|
|
||||||
quantize: quantize.cpp ggml.o utils.o
|
quantize: quantize.cpp ggml.o llama.o utils.o
|
||||||
$(CXX) $(CXXFLAGS) quantize.cpp ggml.o utils.o -o quantize $(LDFLAGS)
|
$(CXX) $(CXXFLAGS) quantize.cpp ggml.o llama.o utils.o -o quantize $(LDFLAGS)
|
||||||
|
|
||||||
#
|
#
|
||||||
# Tests
|
# Tests
|
||||||
|
@ -148,7 +148,7 @@ def main():
|
|||||||
model = torch.load(fname_model, map_location="cpu")
|
model = torch.load(fname_model, map_location="cpu")
|
||||||
|
|
||||||
with open(fname_out, "wb") as fout:
|
with open(fname_out, "wb") as fout:
|
||||||
fout.write(struct.pack("i", hparams["vocab_size"]))
|
write_header(fout, hparams, ftype)
|
||||||
write_tokens(fout, tokenizer)
|
write_tokens(fout, tokenizer)
|
||||||
|
|
||||||
del model
|
del model
|
||||||
|
121
ggml.c
121
ggml.c
@ -10702,6 +10702,127 @@ enum ggml_opt_result ggml_opt(
|
|||||||
|
|
||||||
////////////////////////////////////////////////////////////////////////////////
|
////////////////////////////////////////////////////////////////////////////////
|
||||||
|
|
||||||
|
size_t ggml_quantize_q4_0(float * src, void * dst, int n, int k, int qk, int64_t * hist) {
|
||||||
|
const int nb = k / qk;
|
||||||
|
const size_t bs = (sizeof(float) + sizeof(uint8_t)*qk/2);
|
||||||
|
const size_t row_size = nb*bs;
|
||||||
|
|
||||||
|
assert(k % qk == 0);
|
||||||
|
|
||||||
|
const size_t pp_size = qk / 2;
|
||||||
|
uint8_t * pp = (uint8_t *) alloca(pp_size);
|
||||||
|
|
||||||
|
char * pdst = (char *) dst;
|
||||||
|
|
||||||
|
for (int j = 0; j < n; j += k) {
|
||||||
|
uint8_t * pd = (uint8_t *) (pdst + (j/k)*row_size + 0*bs);
|
||||||
|
uint8_t * pb = (uint8_t *) (pdst + (j/k)*row_size + 0*bs + sizeof(float));
|
||||||
|
|
||||||
|
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 = MAX(amax, fabsf(v));
|
||||||
|
}
|
||||||
|
|
||||||
|
const float d = amax / ((1 << 3) - 1);
|
||||||
|
const float id = d ? 1.0f/d : 0.0f;
|
||||||
|
|
||||||
|
*(float *) pd = d;
|
||||||
|
pd += bs;
|
||||||
|
|
||||||
|
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);
|
||||||
|
|
||||||
|
hist[vi0]++;
|
||||||
|
hist[vi1]++;
|
||||||
|
|
||||||
|
pp[l/2] = vi0 | (vi1 << 4);
|
||||||
|
}
|
||||||
|
|
||||||
|
memcpy(pb, pp, pp_size);
|
||||||
|
pb += bs;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
return (n/k)*row_size;
|
||||||
|
}
|
||||||
|
|
||||||
|
size_t ggml_quantize_q4_1(float * src, void * dst, int n, int k, int qk, int64_t * hist) {
|
||||||
|
const int nb = k / qk;
|
||||||
|
const size_t bs = (2*sizeof(float) + sizeof(uint8_t)*qk/2);
|
||||||
|
const size_t row_size = nb*bs;
|
||||||
|
|
||||||
|
assert(k % qk == 0);
|
||||||
|
|
||||||
|
const size_t pp_size = qk / 2;
|
||||||
|
uint8_t * pp = (uint8_t *) alloca(pp_size);
|
||||||
|
|
||||||
|
char * pdst = (char *) dst;
|
||||||
|
|
||||||
|
for (int j = 0; j < n; j += k) {
|
||||||
|
uint8_t * pd = (uint8_t *) (pdst + (j/k)*row_size + 0*bs);
|
||||||
|
uint8_t * pm = (uint8_t *) (pdst + (j/k)*row_size + 0*bs + sizeof(float));
|
||||||
|
uint8_t * pb = (uint8_t *) (pdst + (j/k)*row_size + 0*bs + 2*sizeof(float));
|
||||||
|
|
||||||
|
//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 = FLT_MAX;
|
||||||
|
float max = -FLT_MAX;
|
||||||
|
|
||||||
|
{
|
||||||
|
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;
|
||||||
|
|
||||||
|
*(float *) pd = d;
|
||||||
|
*(float *) pm = min;
|
||||||
|
pd += bs;
|
||||||
|
pm += bs;
|
||||||
|
|
||||||
|
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);
|
||||||
|
|
||||||
|
hist[vi0]++;
|
||||||
|
hist[vi1]++;
|
||||||
|
|
||||||
|
pp[l/2] = vi0 | (vi1 << 4);
|
||||||
|
}
|
||||||
|
|
||||||
|
memcpy(pb, pp, pp_size);
|
||||||
|
pb += bs;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
return (n/k)*row_size;
|
||||||
|
}
|
||||||
|
|
||||||
|
////////////////////////////////////////////////////////////////////////////////
|
||||||
|
|
||||||
int ggml_cpu_has_avx(void) {
|
int ggml_cpu_has_avx(void) {
|
||||||
#if defined(__AVX__)
|
#if defined(__AVX__)
|
||||||
return 1;
|
return 1;
|
||||||
|
7
ggml.h
7
ggml.h
@ -741,6 +741,13 @@ enum ggml_opt_result ggml_opt(
|
|||||||
struct ggml_opt_params params,
|
struct ggml_opt_params params,
|
||||||
struct ggml_tensor * f);
|
struct ggml_tensor * f);
|
||||||
|
|
||||||
|
//
|
||||||
|
// quantization
|
||||||
|
//
|
||||||
|
|
||||||
|
size_t ggml_quantize_q4_0(float * src, void * dst, int n, int k, int qk, int64_t * hist);
|
||||||
|
size_t ggml_quantize_q4_1(float * src, void * dst, int n, int k, int qk, int64_t * hist);
|
||||||
|
|
||||||
//
|
//
|
||||||
// system info
|
// system info
|
||||||
//
|
//
|
||||||
|
139
llama.h
Normal file
139
llama.h
Normal file
@ -0,0 +1,139 @@
|
|||||||
|
#ifndef LLAMA_H
|
||||||
|
#define LLAMA_H
|
||||||
|
|
||||||
|
#include <stddef.h>
|
||||||
|
#include <stdint.h>
|
||||||
|
#include <stdbool.h>
|
||||||
|
|
||||||
|
#ifdef LLAMA_SHARED
|
||||||
|
# ifdef _WIN32
|
||||||
|
# ifdef LLAMA_BUILD
|
||||||
|
# define LLAMA_API __declspec(dllexport)
|
||||||
|
# else
|
||||||
|
# define LLAMA_API __declspec(dllimport)
|
||||||
|
# endif
|
||||||
|
# else
|
||||||
|
# define LLAMA_API __attribute__ ((visibility ("default")))
|
||||||
|
# endif
|
||||||
|
#else
|
||||||
|
# define LLAMA_API
|
||||||
|
#endif
|
||||||
|
|
||||||
|
#define LLAMA_FILE_VERSION 1
|
||||||
|
#define LLAMA_FILE_MAGIC 0x67676d66 // 'ggmf' in hex
|
||||||
|
#define LLAMA_FILE_MAGIC_UNVERSIONED 0x67676d6c // pre-versioned files
|
||||||
|
|
||||||
|
#ifdef __cplusplus
|
||||||
|
extern "C" {
|
||||||
|
#endif
|
||||||
|
|
||||||
|
//
|
||||||
|
// C interface
|
||||||
|
//
|
||||||
|
// TODO: show sample usage
|
||||||
|
//
|
||||||
|
|
||||||
|
struct llama_context;
|
||||||
|
|
||||||
|
typedef int llama_token;
|
||||||
|
|
||||||
|
typedef struct llama_token_data {
|
||||||
|
llama_token id; // token id
|
||||||
|
|
||||||
|
float p; // probability of the token
|
||||||
|
float plog; // log probability of the token
|
||||||
|
|
||||||
|
} llama_token_data;
|
||||||
|
|
||||||
|
struct llama_context_params {
|
||||||
|
int n_ctx; // text context
|
||||||
|
int n_parts; // -1 for default
|
||||||
|
int seed; // RNG seed, 0 for random
|
||||||
|
|
||||||
|
bool f16_kv; // use fp16 for KV cache
|
||||||
|
bool logits_all; // the llama_eval() call computes all logits, not just the last one
|
||||||
|
bool vocab_only; // only load the vocabulary, no weights
|
||||||
|
};
|
||||||
|
|
||||||
|
LLAMA_API struct llama_context_params llama_context_default_params();
|
||||||
|
|
||||||
|
// Various functions for loading a ggml llama model.
|
||||||
|
// Allocate (almost) all memory needed for the model.
|
||||||
|
// Return NULL on failure
|
||||||
|
LLAMA_API struct llama_context * llama_init_from_file(
|
||||||
|
const char * path_model,
|
||||||
|
struct llama_context_params params);
|
||||||
|
|
||||||
|
// Frees all allocated memory
|
||||||
|
LLAMA_API void llama_free(struct llama_context * ctx);
|
||||||
|
|
||||||
|
// TODO: not great API - very likely to change
|
||||||
|
// Returns 0 on success
|
||||||
|
LLAMA_API int llama_model_quantize(
|
||||||
|
const char * fname_inp,
|
||||||
|
const char * fname_out,
|
||||||
|
int itype,
|
||||||
|
int qk);
|
||||||
|
|
||||||
|
// Run the llama inference to obtain the logits and probabilities for the next token.
|
||||||
|
// tokens + n_tokens is the provided batch of new tokens to process
|
||||||
|
// n_past is the number of tokens to use from previous eval calls
|
||||||
|
// Returns 0 on success
|
||||||
|
LLAMA_API int llama_eval(
|
||||||
|
struct llama_context * ctx,
|
||||||
|
const llama_token * tokens,
|
||||||
|
int n_tokens,
|
||||||
|
int n_past,
|
||||||
|
int n_threads);
|
||||||
|
|
||||||
|
// Convert the provided text into tokens.
|
||||||
|
// The tokens pointer must be large enough to hold the resulting tokens.
|
||||||
|
// Returns the number of tokens on success, no more than n_max_tokens
|
||||||
|
// Returns a negative number on failure - the number of tokens that would have been returned
|
||||||
|
// TODO: not sure if correct
|
||||||
|
LLAMA_API int llama_tokenize(
|
||||||
|
struct llama_context * ctx,
|
||||||
|
const char * text,
|
||||||
|
llama_token * tokens,
|
||||||
|
int n_max_tokens,
|
||||||
|
bool add_bos);
|
||||||
|
|
||||||
|
LLAMA_API int llama_n_vocab(struct llama_context * ctx);
|
||||||
|
LLAMA_API int llama_n_ctx (struct llama_context * ctx);
|
||||||
|
|
||||||
|
// Token logits obtained from the last call to llama_eval()
|
||||||
|
// The logits for the last token are stored in the last row
|
||||||
|
// Can be mutated in order to change the probabilities of the next token
|
||||||
|
// Rows: n_tokens
|
||||||
|
// Cols: n_vocab
|
||||||
|
LLAMA_API float * llama_get_logits(struct llama_context * ctx);
|
||||||
|
|
||||||
|
// Token Id -> String. Uses the vocabulary in the provided context
|
||||||
|
LLAMA_API const char * llama_token_to_str(struct llama_context * ctx, llama_token token);
|
||||||
|
|
||||||
|
// Special tokens
|
||||||
|
LLAMA_API llama_token llama_token_bos();
|
||||||
|
LLAMA_API llama_token llama_token_eos();
|
||||||
|
|
||||||
|
// TODO: improve the last_n_tokens interface ?
|
||||||
|
LLAMA_API llama_token llama_sample_top_p_top_k(
|
||||||
|
llama_context * ctx,
|
||||||
|
const llama_token * last_n_tokens_data,
|
||||||
|
int last_n_tokens_size,
|
||||||
|
int top_k,
|
||||||
|
double top_p,
|
||||||
|
double temp,
|
||||||
|
double repeat_penalty);
|
||||||
|
|
||||||
|
// Performance information
|
||||||
|
LLAMA_API void llama_print_timings(struct llama_context * ctx);
|
||||||
|
LLAMA_API void llama_reset_timings(struct llama_context * ctx);
|
||||||
|
|
||||||
|
// Print system information
|
||||||
|
LLAMA_API const char * llama_print_system_info(void);
|
||||||
|
|
||||||
|
#ifdef __cplusplus
|
||||||
|
}
|
||||||
|
#endif
|
||||||
|
|
||||||
|
#endif
|
Binary file not shown.
310
quantize.cpp
310
quantize.cpp
@ -1,319 +1,17 @@
|
|||||||
#include "ggml.h"
|
#include "ggml.h"
|
||||||
|
#include "llama.h"
|
||||||
|
|
||||||
#include "utils.h"
|
|
||||||
|
|
||||||
#include <cassert>
|
|
||||||
#include <cinttypes>
|
|
||||||
#include <cmath>
|
|
||||||
#include <cstdio>
|
#include <cstdio>
|
||||||
#include <cstring>
|
|
||||||
#include <fstream>
|
|
||||||
#include <string>
|
#include <string>
|
||||||
#include <vector>
|
|
||||||
#include <regex>
|
|
||||||
|
|
||||||
// TODO: move somewhere else
|
const int QK = 32;
|
||||||
#define QK 32
|
|
||||||
|
|
||||||
// default hparams (LLaMA76B)
|
|
||||||
struct llama_hparams {
|
|
||||||
int32_t n_vocab = 32000;
|
|
||||||
int32_t n_ctx = 512; // this is provided as user input?
|
|
||||||
int32_t n_embd = 4096;
|
|
||||||
int32_t n_mult = 256;
|
|
||||||
int32_t n_head = 32;
|
|
||||||
int32_t n_layer = 32;
|
|
||||||
int32_t n_rot = 64;
|
|
||||||
int32_t f16 = 1;
|
|
||||||
};
|
|
||||||
|
|
||||||
|
|
||||||
// quantize a model
|
|
||||||
bool llama_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;
|
|
||||||
}
|
|
||||||
|
|
||||||
llama_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 == FILE_MAGIC_UNVERSIONED) {
|
|
||||||
fprintf(stderr, "%s: invalid model file '%s' (too old, regenerate your model files!)\n",
|
|
||||||
__func__, fname_inp.c_str());
|
|
||||||
return false;
|
|
||||||
}
|
|
||||||
if (magic != FILE_MAGIC) {
|
|
||||||
fprintf(stderr, "%s: invalid model file '%s' (bad magic)\n", __func__, fname_inp.c_str());
|
|
||||||
return false;
|
|
||||||
}
|
|
||||||
|
|
||||||
fout.write((char *) &magic, sizeof(magic));
|
|
||||||
|
|
||||||
uint32_t format_version;
|
|
||||||
finp.read((char *) &format_version, sizeof(format_version));
|
|
||||||
|
|
||||||
if (format_version != FILE_VERSION) {
|
|
||||||
fprintf(stderr, "%s: invalid model file '%s' (unsupported format version %" PRIu32 ", expected %d)\n",
|
|
||||||
__func__, fname_inp.c_str(), format_version, FILE_VERSION);
|
|
||||||
return false;
|
|
||||||
}
|
|
||||||
|
|
||||||
fout.write((char *) &format_version, sizeof(format_version));
|
|
||||||
}
|
|
||||||
|
|
||||||
llama_hparams hparams;
|
|
||||||
|
|
||||||
// load hparams
|
|
||||||
{
|
|
||||||
finp.read((char *) &hparams.n_vocab, sizeof(hparams.n_vocab));
|
|
||||||
//finp.read((char *) &hparams.n_ctx, sizeof(hparams.n_ctx));
|
|
||||||
finp.read((char *) &hparams.n_embd, sizeof(hparams.n_embd));
|
|
||||||
finp.read((char *) &hparams.n_mult, sizeof(hparams.n_mult));
|
|
||||||
finp.read((char *) &hparams.n_head, sizeof(hparams.n_head));
|
|
||||||
finp.read((char *) &hparams.n_layer, sizeof(hparams.n_layer));
|
|
||||||
finp.read((char *) &hparams.n_rot, sizeof(hparams.n_rot));
|
|
||||||
finp.read((char *) &hparams.f16, sizeof(hparams.f16));
|
|
||||||
|
|
||||||
printf("%s: n_vocab = %d\n", __func__, hparams.n_vocab);
|
|
||||||
printf("%s: n_ctx = %d\n", __func__, hparams.n_ctx);
|
|
||||||
printf("%s: n_embd = %d\n", __func__, hparams.n_embd);
|
|
||||||
printf("%s: n_mult = %d\n", __func__, hparams.n_mult);
|
|
||||||
printf("%s: n_head = %d\n", __func__, hparams.n_head);
|
|
||||||
printf("%s: n_layer = %d\n", __func__, hparams.n_layer);
|
|
||||||
printf("%s: f16 = %d\n", __func__, hparams.f16);
|
|
||||||
|
|
||||||
fout.write((char *) &hparams.n_vocab, sizeof(hparams.n_vocab));
|
|
||||||
//fout.write((char *) &hparams.n_ctx, sizeof(hparams.n_ctx));
|
|
||||||
fout.write((char *) &hparams.n_embd, sizeof(hparams.n_embd));
|
|
||||||
fout.write((char *) &hparams.n_mult, sizeof(hparams.n_mult));
|
|
||||||
fout.write((char *) &hparams.n_head, sizeof(hparams.n_head));
|
|
||||||
fout.write((char *) &hparams.n_layer, sizeof(hparams.n_layer));
|
|
||||||
fout.write((char *) &hparams.n_rot, sizeof(hparams.n_rot));
|
|
||||||
fout.write((char *) &itype, sizeof(hparams.f16));
|
|
||||||
}
|
|
||||||
|
|
||||||
// load vocab
|
|
||||||
{
|
|
||||||
const int32_t n_vocab = hparams.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;
|
|
||||||
vocab.id_to_token.resize(n_vocab);
|
|
||||||
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);
|
|
||||||
|
|
||||||
float score;
|
|
||||||
finp.read ((char *) &score, sizeof(score));
|
|
||||||
fout.write((char *) &score, sizeof(score));
|
|
||||||
|
|
||||||
vocab.token_to_id[word] = i;
|
|
||||||
|
|
||||||
auto &tok_score = vocab.id_to_token[i];
|
|
||||||
tok_score.tok = word;
|
|
||||||
tok_score.score = score;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
// load weights
|
|
||||||
{
|
|
||||||
size_t total_size_org = 0;
|
|
||||||
size_t total_size_new = 0;
|
|
||||||
|
|
||||||
std::vector<float> work;
|
|
||||||
|
|
||||||
std::vector<uint8_t> data_u8;
|
|
||||||
std::vector<ggml_fp16_t> data_f16;
|
|
||||||
std::vector<float> data_f32;
|
|
||||||
|
|
||||||
std::vector<int64_t> hist_all(1 << 4, 0);
|
|
||||||
|
|
||||||
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[2] = { 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], type = %6s ", name.data(), ne[0], ne[1], ftype_str[ftype]);
|
|
||||||
}
|
|
||||||
|
|
||||||
// regexes of tensor names to be quantized
|
|
||||||
const std::vector<std::string> k_names = {
|
|
||||||
".*weight",
|
|
||||||
};
|
|
||||||
|
|
||||||
bool quantize = false;
|
|
||||||
for (const auto & s : k_names) {
|
|
||||||
if (std::regex_match(name, std::regex(s))) {
|
|
||||||
quantize = true;
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
// quantize only 2D 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_f32.resize(nelements);
|
|
||||||
for (int i = 0; i < nelements; ++i) {
|
|
||||||
data_f32[i] = ggml_fp16_to_fp32(data_f16[i]);
|
|
||||||
}
|
|
||||||
} else {
|
|
||||||
data_f32.resize(nelements);
|
|
||||||
finp.read(reinterpret_cast<char *>(data_f32.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;
|
|
||||||
std::vector<int64_t> hist_cur(1 << 4, 0);
|
|
||||||
|
|
||||||
switch (type) {
|
|
||||||
case GGML_TYPE_Q4_0:
|
|
||||||
{
|
|
||||||
cur_size = ggml_quantize_q4_0(data_f32.data(), work.data(), nelements, ne[0], QK, hist_cur.data());
|
|
||||||
} break;
|
|
||||||
case GGML_TYPE_Q4_1:
|
|
||||||
{
|
|
||||||
cur_size = ggml_quantize_q4_1(data_f32.data(), work.data(), nelements, ne[0], QK, hist_cur.data());
|
|
||||||
} 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 = %8.2f MB -> %8.2f MB | hist: ", nelements * sizeof(float)/1024.0/1024.0, cur_size/1024.0/1024.0);
|
|
||||||
for (int i = 0; i < hist_cur.size(); ++i) {
|
|
||||||
hist_all[i] += hist_cur[i];
|
|
||||||
}
|
|
||||||
|
|
||||||
for (int i = 0; i < hist_cur.size(); ++i) {
|
|
||||||
printf("%5.3f ", hist_cur[i] / (float)nelements);
|
|
||||||
}
|
|
||||||
printf("\n");
|
|
||||||
} 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);
|
|
||||||
|
|
||||||
{
|
|
||||||
int64_t sum_all = 0;
|
|
||||||
for (int i = 0; i < hist_all.size(); ++i) {
|
|
||||||
sum_all += hist_all[i];
|
|
||||||
}
|
|
||||||
|
|
||||||
printf("%s: hist: ", __func__);
|
|
||||||
for (int i = 0; i < hist_all.size(); ++i) {
|
|
||||||
printf("%5.3f ", hist_all[i] / (float)sum_all);
|
|
||||||
}
|
|
||||||
printf("\n");
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
finp.close();
|
|
||||||
fout.close();
|
|
||||||
|
|
||||||
return true;
|
|
||||||
}
|
|
||||||
|
|
||||||
// usage:
|
// usage:
|
||||||
// ./llama-quantize models/llama/ggml-model.bin models/llama/ggml-model-quant.bin type
|
// ./llama-quantize models/llama/ggml-model.bin models/llama/ggml-model-quant.bin type
|
||||||
//
|
//
|
||||||
int main(int argc, char ** argv) {
|
int main(int argc, char ** argv) {
|
||||||
ggml_time_init();
|
ggml_time_init();
|
||||||
|
|
||||||
if (argc != 4) {
|
if (argc != 4) {
|
||||||
fprintf(stderr, "usage: %s model-f32.bin model-quant.bin type\n", argv[0]);
|
fprintf(stderr, "usage: %s model-f32.bin model-quant.bin type\n", argv[0]);
|
||||||
fprintf(stderr, " type = 2 - q4_0\n");
|
fprintf(stderr, " type = 2 - q4_0\n");
|
||||||
@ -341,7 +39,7 @@ int main(int argc, char ** argv) {
|
|||||||
{
|
{
|
||||||
const int64_t t_start_us = ggml_time_us();
|
const int64_t t_start_us = ggml_time_us();
|
||||||
|
|
||||||
if (!llama_model_quantize(fname_inp, fname_out, itype)) {
|
if (llama_model_quantize(fname_inp.c_str(), fname_out.c_str(), itype, QK)) {
|
||||||
fprintf(stderr, "%s: failed to quantize model from '%s'\n", __func__, fname_inp.c_str());
|
fprintf(stderr, "%s: failed to quantize model from '%s'\n", __func__, fname_inp.c_str());
|
||||||
return 1;
|
return 1;
|
||||||
}
|
}
|
||||||
|
@ -1,4 +1,4 @@
|
|||||||
set(TEST_TARGET test-tokenizer-0)
|
set(TEST_TARGET test-tokenizer-0)
|
||||||
add_executable(${TEST_TARGET} ${TEST_TARGET}.cpp)
|
add_executable(${TEST_TARGET} ${TEST_TARGET}.cpp)
|
||||||
target_link_libraries(${TEST_TARGET} PRIVATE utils)
|
target_link_libraries(${TEST_TARGET} PRIVATE llama ggml utils)
|
||||||
add_test(NAME ${TEST_TARGET} COMMAND $<TARGET_FILE:${TEST_TARGET}> ${CMAKE_CURRENT_SOURCE_DIR}/../models/ggml-vocab.bin)
|
add_test(NAME ${TEST_TARGET} COMMAND $<TARGET_FILE:${TEST_TARGET}> ${CMAKE_CURRENT_SOURCE_DIR}/../models/ggml-vocab.bin)
|
||||||
|
@ -1,10 +1,11 @@
|
|||||||
#include "utils.h"
|
#include "utils.h"
|
||||||
|
#include "llama.h"
|
||||||
|
|
||||||
#include <cstdio>
|
#include <cstdio>
|
||||||
#include <string>
|
#include <string>
|
||||||
#include <map>
|
#include <map>
|
||||||
|
|
||||||
static const std::map<std::string, std::vector<llama_vocab::id>> k_tests = {
|
static const std::map<std::string, std::vector<llama_token>> k_tests = {
|
||||||
{ "Hello World", { 1, 10994, 2787, }, },
|
{ "Hello World", { 1, 10994, 2787, }, },
|
||||||
{ " Hello World", { 1, 15043, 2787, }, },
|
{ " Hello World", { 1, 15043, 2787, }, },
|
||||||
{ " Hello World!", { 1, 15043, 2787, 29991, }, },
|
{ " Hello World!", { 1, 15043, 2787, 29991, }, },
|
||||||
@ -23,14 +24,23 @@ int main(int argc, char **argv) {
|
|||||||
|
|
||||||
fprintf(stderr, "%s : reading vocab from: '%s'\n", __func__, fname.c_str());
|
fprintf(stderr, "%s : reading vocab from: '%s'\n", __func__, fname.c_str());
|
||||||
|
|
||||||
llama_vocab vocab;
|
llama_context * ctx;
|
||||||
|
|
||||||
if (!llama_vocab_load(fname, vocab)) {
|
// load the vocab
|
||||||
fprintf(stderr, "%s : failed to load vocab from: '%s'\n", __func__, fname.c_str());
|
{
|
||||||
|
auto lparams = llama_context_default_params();
|
||||||
|
|
||||||
|
lparams.vocab_only = true;
|
||||||
|
|
||||||
|
ctx = llama_init_from_file(fname.c_str(), lparams);
|
||||||
|
|
||||||
|
if (ctx == NULL) {
|
||||||
|
fprintf(stderr, "%s: error: failed to load vocab '%s'\n", __func__, fname.c_str());
|
||||||
return 1;
|
return 1;
|
||||||
}
|
}
|
||||||
|
}
|
||||||
|
|
||||||
const int n_vocab = vocab.id_to_token.size();
|
const int n_vocab = llama_n_vocab(ctx);
|
||||||
|
|
||||||
if (n_vocab != 32000) {
|
if (n_vocab != 32000) {
|
||||||
fprintf(stderr, "%s : expected 32000 tokens, got %d\n", __func__, n_vocab);
|
fprintf(stderr, "%s : expected 32000 tokens, got %d\n", __func__, n_vocab);
|
||||||
@ -38,7 +48,7 @@ int main(int argc, char **argv) {
|
|||||||
}
|
}
|
||||||
|
|
||||||
for (const auto & test_kv : k_tests) {
|
for (const auto & test_kv : k_tests) {
|
||||||
const auto res = llama_tokenize(vocab, test_kv.first, true);
|
const auto res = ::llama_tokenize(ctx, test_kv.first, true);
|
||||||
|
|
||||||
bool correct = res.size() == test_kv.second.size();
|
bool correct = res.size() == test_kv.second.size();
|
||||||
|
|
||||||
|
519
utils.cpp
519
utils.cpp
@ -3,12 +3,9 @@
|
|||||||
#include <cassert>
|
#include <cassert>
|
||||||
#include <cstring>
|
#include <cstring>
|
||||||
#include <fstream>
|
#include <fstream>
|
||||||
#include <regex>
|
|
||||||
#include <iostream>
|
|
||||||
#include <iterator>
|
|
||||||
#include <queue>
|
|
||||||
#include <string>
|
#include <string>
|
||||||
#include <math.h>
|
#include <iterator>
|
||||||
|
#include <algorithm>
|
||||||
|
|
||||||
#if defined(_MSC_VER) || defined(__MINGW32__)
|
#if defined(_MSC_VER) || defined(__MINGW32__)
|
||||||
#include <malloc.h> // using malloc.h with MSC/MINGW
|
#include <malloc.h> // using malloc.h with MSC/MINGW
|
||||||
@ -147,509 +144,11 @@ std::string gpt_random_prompt(std::mt19937 & rng) {
|
|||||||
return "The";
|
return "The";
|
||||||
}
|
}
|
||||||
|
|
||||||
void replace(std::string & str, const std::string & needle, const std::string & replacement) {
|
// TODO: not great allocating this every time
|
||||||
size_t pos = 0;
|
std::vector<llama_token> llama_tokenize(struct llama_context * ctx, const std::string & text, bool add_bos) {
|
||||||
while ((pos = str.find(needle, pos)) != std::string::npos) {
|
std::vector<llama_token> res(8096);
|
||||||
str.replace(pos, needle.length(), replacement);
|
int n = llama_tokenize(ctx, text.c_str(), res.data(), res.size(), add_bos);
|
||||||
pos += replacement.length();
|
res.resize(n);
|
||||||
}
|
|
||||||
}
|
return res;
|
||||||
|
|
||||||
std::unordered_map<std::string, int32_t> json_parse(const std::string & fname) {
|
|
||||||
std::unordered_map<std::string, int32_t> result;
|
|
||||||
|
|
||||||
// read file into string
|
|
||||||
std::string json;
|
|
||||||
{
|
|
||||||
std::ifstream ifs(fname);
|
|
||||||
if (!ifs) {
|
|
||||||
fprintf(stderr, "Failed to open %s\n", fname.c_str());
|
|
||||||
exit(1);
|
|
||||||
}
|
|
||||||
|
|
||||||
json = std::string((std::istreambuf_iterator<char>(ifs)),
|
|
||||||
(std::istreambuf_iterator<char>()));
|
|
||||||
}
|
|
||||||
|
|
||||||
if (json[0] != '{') {
|
|
||||||
return result;
|
|
||||||
}
|
|
||||||
|
|
||||||
// parse json
|
|
||||||
{
|
|
||||||
bool has_key = false;
|
|
||||||
bool in_token = false;
|
|
||||||
|
|
||||||
std::string str_key = "";
|
|
||||||
std::string str_val = "";
|
|
||||||
|
|
||||||
int n = json.size();
|
|
||||||
for (int i = 1; i < n; ++i) {
|
|
||||||
if (!in_token) {
|
|
||||||
if (json[i] == ' ') continue;
|
|
||||||
if (json[i] == '"') {
|
|
||||||
in_token = true;
|
|
||||||
continue;
|
|
||||||
}
|
|
||||||
} else {
|
|
||||||
if (json[i] == '\\' && i+1 < n) {
|
|
||||||
if (has_key == false) {
|
|
||||||
str_key += json[i];
|
|
||||||
} else {
|
|
||||||
str_val += json[i];
|
|
||||||
}
|
|
||||||
++i;
|
|
||||||
} else if (json[i] == '"') {
|
|
||||||
if (has_key == false) {
|
|
||||||
has_key = true;
|
|
||||||
++i;
|
|
||||||
while (json[i] == ' ') ++i;
|
|
||||||
++i; // :
|
|
||||||
while (json[i] == ' ') ++i;
|
|
||||||
if (json[i] != '\"') {
|
|
||||||
while (json[i] != ',' && json[i] != '}') {
|
|
||||||
str_val += json[i++];
|
|
||||||
}
|
|
||||||
has_key = false;
|
|
||||||
} else {
|
|
||||||
in_token = true;
|
|
||||||
continue;
|
|
||||||
}
|
|
||||||
} else {
|
|
||||||
has_key = false;
|
|
||||||
}
|
|
||||||
|
|
||||||
::replace(str_key, "\\u0120", " " ); // \u0120 -> space
|
|
||||||
::replace(str_key, "\\u010a", "\n"); // \u010a -> new line
|
|
||||||
::replace(str_key, "\\\"", "\""); // \\\" -> "
|
|
||||||
|
|
||||||
try {
|
|
||||||
result[str_key] = std::stoi(str_val);
|
|
||||||
} catch (...) {
|
|
||||||
//fprintf(stderr, "%s: ignoring key '%s' with value '%s'\n", fname.c_str(), str_key.c_str(), str_val.c_str());
|
|
||||||
|
|
||||||
}
|
|
||||||
str_key = "";
|
|
||||||
str_val = "";
|
|
||||||
in_token = false;
|
|
||||||
continue;
|
|
||||||
}
|
|
||||||
if (has_key == false) {
|
|
||||||
str_key += json[i];
|
|
||||||
} else {
|
|
||||||
str_val += json[i];
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
return result;
|
|
||||||
}
|
|
||||||
|
|
||||||
static size_t utf8_len(char src) {
|
|
||||||
const size_t lookup[] = { 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 3, 4 };
|
|
||||||
uint8_t highbits = static_cast<uint8_t>(src) >> 4;
|
|
||||||
return lookup[highbits];
|
|
||||||
}
|
|
||||||
|
|
||||||
struct llama_sp_symbol {
|
|
||||||
using index = int;
|
|
||||||
index prev;
|
|
||||||
index next;
|
|
||||||
const char * text;
|
|
||||||
size_t n;
|
|
||||||
};
|
|
||||||
|
|
||||||
struct llama_sp_bigram {
|
|
||||||
struct comparator {
|
|
||||||
bool operator()(llama_sp_bigram & l, llama_sp_bigram & r) {
|
|
||||||
return (l.score < r.score) || (l.score == r.score && l.left > r.left);
|
|
||||||
}
|
|
||||||
};
|
|
||||||
using queue_storage = std::vector<llama_sp_bigram>;
|
|
||||||
using queue = std::priority_queue<llama_sp_bigram, queue_storage, comparator>;
|
|
||||||
llama_sp_symbol::index left;
|
|
||||||
llama_sp_symbol::index right;
|
|
||||||
float score;
|
|
||||||
size_t size;
|
|
||||||
};
|
|
||||||
|
|
||||||
// original implementation:
|
|
||||||
// https://github.com/ggerganov/llama.cpp/commit/074bea2eb1f1349a0118239c4152914aecaa1be4
|
|
||||||
struct llama_tokenizer {
|
|
||||||
llama_tokenizer(const llama_vocab & vocab): vocab_(vocab) {}
|
|
||||||
|
|
||||||
void tokenize(const std::string & text, std::vector<llama_vocab::id> & output) {
|
|
||||||
// split string into utf8 chars
|
|
||||||
int index = 0;
|
|
||||||
size_t offs = 0;
|
|
||||||
while (offs < text.size()) {
|
|
||||||
llama_sp_symbol sym;
|
|
||||||
size_t char_len = std::min(text.size() - offs, utf8_len(text[offs]));
|
|
||||||
sym.text = text.c_str() + offs;
|
|
||||||
sym.n = char_len;
|
|
||||||
offs += char_len;
|
|
||||||
sym.prev = index - 1;
|
|
||||||
sym.next = offs == text.size() ? -1 : index + 1;
|
|
||||||
index++;
|
|
||||||
symbols_.emplace_back(std::move(sym));
|
|
||||||
}
|
|
||||||
|
|
||||||
// seed the work queue with all possible 2-character tokens.
|
|
||||||
for (size_t i = 1; i < symbols_.size(); ++i) {
|
|
||||||
try_add_bigram(i - 1, i);
|
|
||||||
}
|
|
||||||
|
|
||||||
// keep substituting the highest frequency pairs for as long as we can.
|
|
||||||
while (!work_queue_.empty()) {
|
|
||||||
auto bigram = work_queue_.top();
|
|
||||||
work_queue_.pop();
|
|
||||||
|
|
||||||
auto & left_sym = symbols_[bigram.left];
|
|
||||||
auto & right_sym = symbols_[bigram.right];
|
|
||||||
|
|
||||||
// if one of the symbols already got merged, skip it.
|
|
||||||
if (left_sym.n == 0 || right_sym.n == 0 ||
|
|
||||||
left_sym.n + right_sym.n != bigram.size) {
|
|
||||||
continue;
|
|
||||||
}
|
|
||||||
|
|
||||||
// merge the right sym into the left one
|
|
||||||
left_sym.n += right_sym.n;
|
|
||||||
right_sym.n = 0;
|
|
||||||
|
|
||||||
//printf("left = '%*s' size = %zu\n", (int) left_sym.n, left_sym.text, bigram.size);
|
|
||||||
|
|
||||||
// remove the right sym from the chain
|
|
||||||
left_sym.next = right_sym.next;
|
|
||||||
if (right_sym.next >= 0) {
|
|
||||||
symbols_[right_sym.next].prev = bigram.left;
|
|
||||||
}
|
|
||||||
|
|
||||||
// find more substitutions
|
|
||||||
try_add_bigram(left_sym.prev, bigram.left);
|
|
||||||
try_add_bigram(bigram.left, left_sym.next);
|
|
||||||
}
|
|
||||||
|
|
||||||
for (int i = 0; i != -1; i = symbols_[i].next) {
|
|
||||||
auto & symbol = symbols_[i];
|
|
||||||
auto token = vocab_.token_to_id.find(std::string(symbol.text, symbol.n));
|
|
||||||
|
|
||||||
if (token == vocab_.token_to_id.end()) {
|
|
||||||
// output any symbols that did not form tokens as bytes.
|
|
||||||
for (int j = 0; j < (int) symbol.n; ++j) {
|
|
||||||
llama_vocab::id token_id = static_cast<uint8_t>(symbol.text[j]) + 3;
|
|
||||||
output.push_back(token_id);
|
|
||||||
}
|
|
||||||
} else {
|
|
||||||
output.push_back((*token).second);
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
private:
|
|
||||||
void try_add_bigram(int left, int right) {
|
|
||||||
if (left == -1 || right == -1) {
|
|
||||||
return;
|
|
||||||
}
|
|
||||||
|
|
||||||
const std::string text = std::string(symbols_[left].text, symbols_[left].n + symbols_[right].n);
|
|
||||||
auto token = vocab_.token_to_id.find(text);
|
|
||||||
|
|
||||||
if (token == vocab_.token_to_id.end()) {
|
|
||||||
return;
|
|
||||||
}
|
|
||||||
|
|
||||||
if (static_cast<size_t>((*token).second) >= vocab_.id_to_token.size()) {
|
|
||||||
return;
|
|
||||||
}
|
|
||||||
|
|
||||||
const auto &tok_score = vocab_.id_to_token[(*token).second];
|
|
||||||
|
|
||||||
llama_sp_bigram bigram;
|
|
||||||
bigram.left = left;
|
|
||||||
bigram.right = right;
|
|
||||||
bigram.score = tok_score.score;
|
|
||||||
bigram.size = text.size();
|
|
||||||
work_queue_.push(bigram);
|
|
||||||
}
|
|
||||||
|
|
||||||
const llama_vocab & vocab_;
|
|
||||||
std::vector<llama_sp_symbol> symbols_;
|
|
||||||
llama_sp_bigram::queue work_queue_;
|
|
||||||
};
|
|
||||||
|
|
||||||
// TODO: temporary code duplication with llama.cpp
|
|
||||||
// will resolve after #77 is merged
|
|
||||||
bool llama_vocab_load(const std::string & fname, llama_vocab & vocab) {
|
|
||||||
std::ifstream fin(fname, std::ios::binary);
|
|
||||||
if (!fin.is_open()) {
|
|
||||||
return false;
|
|
||||||
}
|
|
||||||
|
|
||||||
int n_vocab = 0;
|
|
||||||
fin.read((char *) &n_vocab, sizeof(n_vocab));
|
|
||||||
|
|
||||||
std::string word;
|
|
||||||
std::vector<char> tmp(64);
|
|
||||||
|
|
||||||
vocab.id_to_token.resize(n_vocab);
|
|
||||||
|
|
||||||
for (int i = 0; i < n_vocab; i++) {
|
|
||||||
uint32_t len;
|
|
||||||
fin.read((char *) &len, sizeof(len));
|
|
||||||
|
|
||||||
word.resize(len);
|
|
||||||
if (len > 0) {
|
|
||||||
tmp.resize(len);
|
|
||||||
fin.read(tmp.data(), len);
|
|
||||||
word.assign(tmp.data(), len);
|
|
||||||
} else {
|
|
||||||
word.clear();
|
|
||||||
}
|
|
||||||
|
|
||||||
float score;
|
|
||||||
fin.read((char *) &score, sizeof(score));
|
|
||||||
|
|
||||||
vocab.token_to_id[word] = i;
|
|
||||||
|
|
||||||
auto &tok_score = vocab.id_to_token[i];
|
|
||||||
tok_score.tok = word;
|
|
||||||
tok_score.score = score;
|
|
||||||
}
|
|
||||||
|
|
||||||
return true;
|
|
||||||
}
|
|
||||||
|
|
||||||
std::vector<llama_vocab::id> llama_tokenize(const llama_vocab & vocab, const std::string & text, bool bos) {
|
|
||||||
llama_tokenizer tokenizer(vocab);
|
|
||||||
std::vector<llama_vocab::id> output;
|
|
||||||
|
|
||||||
if (text.size() == 0) {
|
|
||||||
return output;
|
|
||||||
}
|
|
||||||
|
|
||||||
if (bos) {
|
|
||||||
output.push_back(1);
|
|
||||||
}
|
|
||||||
|
|
||||||
tokenizer.tokenize(text, output);
|
|
||||||
return output;
|
|
||||||
}
|
|
||||||
|
|
||||||
void sample_top_k(std::vector<std::pair<double, llama_vocab::id>> & logits_id, int top_k) {
|
|
||||||
// find the top K tokens
|
|
||||||
std::partial_sort(
|
|
||||||
logits_id.begin(),
|
|
||||||
logits_id.begin() + top_k, logits_id.end(),
|
|
||||||
[](const std::pair<double, llama_vocab::id> & a, const std::pair<double, llama_vocab::id> & b) {
|
|
||||||
return a.first > b.first;
|
|
||||||
});
|
|
||||||
|
|
||||||
logits_id.resize(top_k);
|
|
||||||
}
|
|
||||||
|
|
||||||
llama_vocab::id llama_sample_top_p_top_k(
|
|
||||||
const llama_vocab & vocab,
|
|
||||||
const float * logits,
|
|
||||||
std::vector<llama_vocab::id> & last_n_tokens,
|
|
||||||
double repeat_penalty,
|
|
||||||
int top_k,
|
|
||||||
double top_p,
|
|
||||||
double temp,
|
|
||||||
std::mt19937 & rng) {
|
|
||||||
int n_logits = vocab.id_to_token.size();
|
|
||||||
|
|
||||||
std::vector<std::pair<double, llama_vocab::id>> logits_id;
|
|
||||||
logits_id.reserve(n_logits);
|
|
||||||
|
|
||||||
{
|
|
||||||
const double scale = 1.0/temp;
|
|
||||||
for (int i = 0; i < n_logits; ++i) {
|
|
||||||
// repetition penalty from CTRL paper (https://arxiv.org/abs/1909.05858)
|
|
||||||
// credit https://github.com/facebookresearch/llama/compare/main...shawwn:llama:main
|
|
||||||
if (std::find(last_n_tokens.begin(), last_n_tokens.end(), i) != last_n_tokens.end()) {
|
|
||||||
// if score < 0 then repetition penalty has to multiplied to reduce the previous token probability
|
|
||||||
if (logits[i] < 0.0) {
|
|
||||||
logits_id.push_back(std::make_pair(logits[i]*scale*repeat_penalty, i));
|
|
||||||
} else {
|
|
||||||
logits_id.push_back(std::make_pair(logits[i]*scale/repeat_penalty, i));
|
|
||||||
}
|
|
||||||
} else {
|
|
||||||
logits_id.push_back(std::make_pair(logits[i]*scale, i));
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
sample_top_k(logits_id, top_k);
|
|
||||||
|
|
||||||
double maxl = -INFINITY;
|
|
||||||
for (const auto & kv : logits_id) {
|
|
||||||
maxl = std::max(maxl, kv.first);
|
|
||||||
}
|
|
||||||
|
|
||||||
// compute probs for the top K tokens
|
|
||||||
std::vector<double> probs;
|
|
||||||
probs.reserve(logits_id.size());
|
|
||||||
|
|
||||||
double sum = 0.0;
|
|
||||||
for (const auto & kv : logits_id) {
|
|
||||||
double p = exp(kv.first - maxl);
|
|
||||||
probs.push_back(p);
|
|
||||||
sum += p;
|
|
||||||
}
|
|
||||||
|
|
||||||
// normalize the probs
|
|
||||||
for (auto & p : probs) {
|
|
||||||
p /= sum;
|
|
||||||
}
|
|
||||||
|
|
||||||
if (top_p < 1.0f) {
|
|
||||||
double cumsum = 0.0f;
|
|
||||||
for (int i = 0; i < (int) probs.size(); i++) {
|
|
||||||
cumsum += probs[i];
|
|
||||||
if (cumsum >= top_p) {
|
|
||||||
probs.resize(i + 1);
|
|
||||||
logits_id.resize(i + 1);
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
cumsum = 1.0/cumsum;
|
|
||||||
for (int i = 0; i < (int) probs.size(); i++) {
|
|
||||||
probs[i] *= cumsum;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
//printf("\n");
|
|
||||||
//for (int i = 0; i < (int) 10; i++) {
|
|
||||||
// printf("%d: '%s' %f\n", i, vocab.id_to_token.at(logits_id[i].second).c_str(), probs[i]);
|
|
||||||
//}
|
|
||||||
//printf("\n\n");
|
|
||||||
//exit(0);
|
|
||||||
|
|
||||||
std::discrete_distribution<> dist(probs.begin(), probs.end());
|
|
||||||
int idx = dist(rng);
|
|
||||||
|
|
||||||
return logits_id[idx].second;
|
|
||||||
}
|
|
||||||
|
|
||||||
|
|
||||||
size_t ggml_quantize_q4_0(float * src, void * dst, int n, int k, int qk, int64_t * hist) {
|
|
||||||
const int nb = k / qk;
|
|
||||||
const size_t bs = (sizeof(float) + sizeof(uint8_t)*qk/2);
|
|
||||||
const size_t row_size = nb*bs;
|
|
||||||
|
|
||||||
assert(k % qk == 0);
|
|
||||||
|
|
||||||
const size_t pp_size = qk / 2;
|
|
||||||
uint8_t *pp = static_cast<uint8_t*>(alloca(pp_size));
|
|
||||||
|
|
||||||
char * pdst = (char *) dst;
|
|
||||||
|
|
||||||
for (int j = 0; j < n; j += k) {
|
|
||||||
uint8_t * pd = (uint8_t *) (pdst + (j/k)*row_size + 0*bs);
|
|
||||||
uint8_t * pb = (uint8_t *) (pdst + (j/k)*row_size + 0*bs + sizeof(float));
|
|
||||||
|
|
||||||
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;
|
|
||||||
|
|
||||||
*(float *) pd = d;
|
|
||||||
pd += bs;
|
|
||||||
|
|
||||||
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);
|
|
||||||
|
|
||||||
hist[vi0]++;
|
|
||||||
hist[vi1]++;
|
|
||||||
|
|
||||||
pp[l/2] = vi0 | (vi1 << 4);
|
|
||||||
}
|
|
||||||
|
|
||||||
memcpy(pb, pp, pp_size);
|
|
||||||
pb += bs;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
return (n/k)*row_size;
|
|
||||||
}
|
|
||||||
|
|
||||||
size_t ggml_quantize_q4_1(float * src, void * dst, int n, int k, int qk, int64_t * hist) {
|
|
||||||
const int nb = k / qk;
|
|
||||||
const size_t bs = (2*sizeof(float) + sizeof(uint8_t)*qk/2);
|
|
||||||
const size_t row_size = nb*bs;
|
|
||||||
|
|
||||||
assert(k % qk == 0);
|
|
||||||
|
|
||||||
const size_t pp_size = qk / 2;
|
|
||||||
uint8_t *pp = static_cast<uint8_t*>(alloca(pp_size));
|
|
||||||
|
|
||||||
char * pdst = (char *) dst;
|
|
||||||
|
|
||||||
for (int j = 0; j < n; j += k) {
|
|
||||||
uint8_t * pd = (uint8_t *) (pdst + (j/k)*row_size + 0*bs);
|
|
||||||
uint8_t * pm = (uint8_t *) (pdst + (j/k)*row_size + 0*bs + sizeof(float));
|
|
||||||
uint8_t * pb = (uint8_t *) (pdst + (j/k)*row_size + 0*bs + 2*sizeof(float));
|
|
||||||
|
|
||||||
//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;
|
|
||||||
|
|
||||||
*(float *) pd = d;
|
|
||||||
*(float *) pm = min;
|
|
||||||
pd += bs;
|
|
||||||
pm += bs;
|
|
||||||
|
|
||||||
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);
|
|
||||||
|
|
||||||
hist[vi0]++;
|
|
||||||
hist[vi1]++;
|
|
||||||
|
|
||||||
pp[l/2] = vi0 | (vi1 << 4);
|
|
||||||
}
|
|
||||||
|
|
||||||
memcpy(pb, pp, pp_size);
|
|
||||||
pb += bs;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
return (n/k)*row_size;
|
|
||||||
}
|
}
|
||||||
|
61
utils.h
61
utils.h
@ -2,8 +2,9 @@
|
|||||||
|
|
||||||
#pragma once
|
#pragma once
|
||||||
|
|
||||||
|
#include "llama.h"
|
||||||
|
|
||||||
#include <string>
|
#include <string>
|
||||||
#include <unordered_map>
|
|
||||||
#include <vector>
|
#include <vector>
|
||||||
#include <random>
|
#include <random>
|
||||||
#include <thread>
|
#include <thread>
|
||||||
@ -49,64 +50,8 @@ void gpt_print_usage(int argc, char ** argv, const gpt_params & params);
|
|||||||
|
|
||||||
std::string gpt_random_prompt(std::mt19937 & rng);
|
std::string gpt_random_prompt(std::mt19937 & rng);
|
||||||
|
|
||||||
//
|
|
||||||
// Model file parsing
|
|
||||||
//
|
|
||||||
|
|
||||||
#define FILE_MAGIC_UNVERSIONED 0x67676d6c // pre-versioned files
|
|
||||||
#define FILE_MAGIC 0x67676d66 // 'ggmf' in hex
|
|
||||||
#define FILE_VERSION 1
|
|
||||||
|
|
||||||
//
|
//
|
||||||
// Vocab utils
|
// Vocab utils
|
||||||
//
|
//
|
||||||
|
|
||||||
struct llama_vocab {
|
std::vector<llama_token> llama_tokenize(struct llama_context * ctx, const std::string & text, bool add_bos);
|
||||||
using id = int32_t;
|
|
||||||
using token = std::string;
|
|
||||||
|
|
||||||
struct token_score {
|
|
||||||
token tok;
|
|
||||||
float score;
|
|
||||||
};
|
|
||||||
|
|
||||||
std::unordered_map<token, id> token_to_id;
|
|
||||||
std::vector<token_score> id_to_token;
|
|
||||||
};
|
|
||||||
|
|
||||||
void replace(std::string & str, const std::string & needle, const std::string & replacement);
|
|
||||||
|
|
||||||
// poor-man's JSON parsing
|
|
||||||
std::unordered_map<std::string, int32_t> json_parse(const std::string & fname);
|
|
||||||
|
|
||||||
// TODO: temporary until #77 is merged, need this now for some tokenizer tests
|
|
||||||
bool llama_vocab_load(const std::string & fname, llama_vocab & vocab);
|
|
||||||
|
|
||||||
// TODO: this is probably wrong, but I cannot figure out how this tokenizer works ..
|
|
||||||
// ref: https://github.com/google/sentencepiece
|
|
||||||
std::vector<llama_vocab::id> llama_tokenize(const llama_vocab & vocab, const std::string & text, bool bos);
|
|
||||||
|
|
||||||
// sample next token given probabilities for each embedding
|
|
||||||
//
|
|
||||||
// - consider only the top K tokens
|
|
||||||
// - from them, consider only the top tokens with cumulative probability > P
|
|
||||||
//
|
|
||||||
llama_vocab::id llama_sample_top_p_top_k(
|
|
||||||
const llama_vocab & vocab,
|
|
||||||
const float * logits,
|
|
||||||
std::vector<llama_vocab::id> & last_n_tokens,
|
|
||||||
double repeat_penalty,
|
|
||||||
int top_k,
|
|
||||||
double top_p,
|
|
||||||
double temp,
|
|
||||||
std::mt19937 & rng);
|
|
||||||
|
|
||||||
// filer to top K tokens from list of logits
|
|
||||||
void sample_top_k(std::vector<std::pair<double, llama_vocab::id>> & logits_id, int top_k);
|
|
||||||
|
|
||||||
//
|
|
||||||
// Quantization
|
|
||||||
//
|
|
||||||
|
|
||||||
size_t ggml_quantize_q4_0(float * src, void * dst, int n, int k, int qk, int64_t * hist);
|
|
||||||
size_t ggml_quantize_q4_1(float * src, void * dst, int n, int k, int qk, int64_t * hist);
|
|
||||||
|
Loading…
Reference in New Issue
Block a user