快捷方式

torch.ao.ns._numeric_suite

警告

此模块为早期原型,可能会发生变化。

torch.ao.ns._numeric_suite.compare_weights(float_dict, quantized_dict)[source][source]

比较浮点模块与其对应的量化模块的权重。返回一个字典,其键对应于模块名称,每个条目是一个包含两个键“float”和“quantized”的字典,分别包含浮点权重和量化权重。此字典可用于比较和计算浮点模型和量化模型的权重量化误差。

示例用法

wt_compare_dict = compare_weights(
    float_model.state_dict(), qmodel.state_dict())
for key in wt_compare_dict:
    print(
        key,
        compute_error(
            wt_compare_dict[key]['float'],
            wt_compare_dict[key]['quantized'].dequantize()
        )
    )
参数
  • float_dict (dict[str, Any]) – 浮点模型的 state dict

  • quantized_dict (dict[str, Any]) – 量化模型的 state dict

返回

字典,其键对应于模块名称,每个条目是一个包含两个键“float”和“quantized”的字典,分别包含浮点权重和量化权重

返回类型

weight_dict

torch.ao.ns._numeric_suite.get_logger_dict(mod, prefix='')[source][source]

遍历模块并将所有日志记录器统计信息保存到目标字典中。这主要用于量化精度调试。

支持的日志记录器类型

ShadowLogger: 用于记录量化模块及其匹配的浮点影子模块的输出,OutputLogger: 用于记录模块的输出

参数
  • mod (Module) – 我们想要保存所有日志记录器统计信息的模块

  • prefix (str) – 当前模块的前缀

返回

用于保存所有日志记录器统计信息的字典

返回类型

target_dict

class torch.ao.ns._numeric_suite.Logger[source][source]

统计信息记录的基类

forward(x)[source][source]
class torch.ao.ns._numeric_suite.ShadowLogger[source][source]

用于 Shadow 模块中记录原始模块和影子模块输出的类。

forward(x, y)[source][source]
class torch.ao.ns._numeric_suite.OutputLogger[source][source]

用于记录模块输出的类

forward(x)[source][source]
class torch.ao.ns._numeric_suite.Shadow(q_module, float_module, logger_cls)[source][source]

Shadow 模块将其匹配的浮点模块作为影子附加到量化模块。然后它使用 Logger 模块处理两个模块的输出。

参数
  • q_module – 从 float_module 量化而来且我们想要进行影子对比的模块

  • float_module – 用于影子对比 q_module 的浮点模块

  • logger_cls – 用于处理 q_module 和 float_module 输出的 Logger 类型。可以使用 ShadowLogger 或自定义 Logger。

forward(*x)[source][source]
返回类型

Tensor

add(x, y)[source][source]
返回类型

Tensor

add_scalar(x, y)[source][source]
返回类型

Tensor

mul(x, y)[source][source]
返回类型

Tensor

mul_scalar(x, y)[source][source]
返回类型

Tensor

cat(x, dim=0)[source][source]
返回类型

Tensor

add_relu(x, y)[source][source]
返回类型

Tensor

torch.ao.ns._numeric_suite.prepare_model_with_stubs(float_module, q_module, module_swap_list, logger_cls)[source][source]

如果浮点模块类型在 module_swap_list 中,则通过将其浮点模块作为影子附加到其匹配的量化模块来准备模型。

示例用法

prepare_model_with_stubs(float_model, q_model, module_swap_list, Logger)
q_model(data)
ob_dict = get_logger_dict(q_model)
参数
  • float_module (Module) – 用于生成 q_module 的浮点模块

  • q_module (Module) – 从 float_module 量化而来的模块

  • module_swap_list (set[type]) – 要附加影子的浮点模块类型列表

  • logger_cls (Callable) – 在影子模块中用于处理量化模块及其浮点影子模块输出的日志记录器类型

torch.ao.ns._numeric_suite.compare_model_stub(float_model, q_model, module_swap_list, *data, logger_cls=<class 'torch.ao.ns._numeric_suite.ShadowLogger'>)[source][source]

比较模型中的量化模块与其对应的浮点模块,同时输入相同的数据。返回一个字典,其键对应于模块名称,每个条目是一个包含两个键“float”和“quantized”的字典,分别包含量化模块及其匹配的浮点影子模块的输出张量。此字典可用于比较和计算模块级别的量化误差。

此函数首先调用 prepare_model_with_stubs() 将我们想要比较的量化模块替换为 Shadow 模块,Shadow 模块接受量化模块、对应的浮点模块和日志记录器作为输入,并在内部创建一个前向路径,使浮点模块成为量化模块的影子,共享相同的输入。日志记录器可以自定义,默认日志记录器是 ShadowLogger,它将保存量化模块和浮点模块的输出,可用于计算模块级别的量化误差。

示例用法

module_swap_list = [torchvision.models.quantization.resnet.QuantizableBasicBlock]
ob_dict = compare_model_stub(float_model,qmodel,module_swap_list, data)
for key in ob_dict:
    print(key, compute_error(ob_dict[key]['float'], ob_dict[key]['quantized'].dequantize()))
参数
  • float_model (Module) – 用于生成 q_model 的浮点模型

  • q_model (Module) – 从 float_model 量化而来的模型

  • module_swap_list (set[type]) – 要附加影子模块的浮点模块类型列表。

  • data – 用于运行准备好的 q_model 的输入数据

  • logger_cls – 在影子模块中用于处理量化模块及其浮点影子模块输出的日志记录器类型

返回类型

dict[str, dict]

torch.ao.ns._numeric_suite.get_matching_activations(float_module, q_module)[source][source]

查找浮点模块和量化模块之间的匹配激活。

参数
  • float_module (Module) – 用于生成 q_module 的浮点模块

  • q_module (Module) – 从 float_module 量化而来的模块

返回

字典,其键对应于量化模块名称,每个条目是一个包含两个键“float”和“quantized”的字典,包含匹配的浮点激活和量化激活

返回类型

act_dict

torch.ao.ns._numeric_suite.prepare_model_outputs(float_module, q_module, logger_cls=<class 'torch.ao.ns._numeric_suite.OutputLogger'>, allow_list=None)[source][source]

如果浮点模块和量化模块在 allow_list 中,则通过将日志记录器附加到它们来准备模型。

参数
  • float_module (Module) – 用于生成 q_module 的浮点模块

  • q_module (Module) – 从 float_module 量化而来的模块

  • logger_cls – 要附加到 float_module 和 q_module 的日志记录器类型

  • allow_list – 要附加日志记录器的模块类型列表

torch.ao.ns._numeric_suite.compare_model_outputs(float_model, q_model, *data, logger_cls=<class 'torch.ao.ns._numeric_suite.OutputLogger'>, allow_list=None)[source][source]

对于相同的输入,在对应位置比较浮点模型和量化模型的输出激活。返回一个字典,其键对应于量化模块名称,每个条目是一个包含两个键“float”和“quantized”的字典,包含量化模型和浮点模型在匹配位置的激活。此字典可用于比较和计算传播量化误差。

示例用法

act_compare_dict = compare_model_outputs(float_model, qmodel, data)
for key in act_compare_dict:
    print(
        key,
        compute_error(
            act_compare_dict[key]['float'],
            act_compare_dict[key]['quantized'].dequantize()
        )
    )
参数
  • float_model (Module) – 用于生成 q_model 的浮点模型

  • q_model (Module) – 从 float_model 量化而来的模型

  • data – 用于运行准备好的 float_model 和 q_model 的输入数据

  • logger_cls – 要附加到 float_module 和 q_module 的日志记录器类型

  • allow_list – 要附加日志记录器的模块类型列表

返回

字典,其键对应于量化模块名称,每个条目是一个包含两个键“float”和“quantized”的字典,包含匹配的浮点激活和量化激活

返回类型

act_compare_dict

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并获得问题解答

查看资源