(beta) BERT 上的动态量化¶
创建于：2019 年 12 月 06 日 | 最后更新：2025 年 1 月 23 日 | 最后验证：2024 年 11 月 05 日
提示
为了充分利用本教程，我们建议使用此 Colab 版本。这将允许您尝试以下提供的信息。
作者： Jianyu Huang
审阅者： Raghuraman Krishnamoorthi
编辑： Jessica Lin
简介¶
在本教程中，我们将对 BERT 模型应用动态量化，紧密遵循 HuggingFace Transformers 示例中的 BERT 模型。通过这个循序渐进的过程，我们想演示如何将像 BERT 这样著名的最先进模型转换为动态量化模型。
BERT，或来自 Transformers 的双向嵌入表示，是一种新的语言表示预训练方法，在许多流行的自然语言处理 (NLP) 任务（如问答、文本分类等）上实现了最先进的准确率结果。原始论文可以在这里找到。
PyTorch 中的动态量化支持将浮点模型转换为量化模型，其中权重使用静态 int8 或 float16 数据类型，激活使用动态量化。当权重量化为 int8 时，激活会动态（按批次）量化为 int8。在 PyTorch 中，我们有 torch.quantization.quantize_dynamic API，它将指定的模块替换为仅动态权重量化的版本，并输出量化模型。
我们展示了在通用语言理解评估基准 (GLUE) 中的 Microsoft Research Paraphrase Corpus (MRPC) 任务上的准确率和推理性能结果。MRPC (Dolan 和 Brockett，2005) 是一个从在线新闻来源自动提取的句子对语料库，并由人工标注句子对是否在语义上等价。由于类别不平衡（68% 正例，32% 负例），我们遵循常用做法并报告 F1 分数。MRPC 是一种常见的 NLP 任务，用于语言对分类，如下所示。
1. 设置¶
1.1 安装 PyTorch 和 HuggingFace Transformers¶
要开始本教程，我们首先按照 PyTorch 的安装说明 此处 和 HuggingFace Github Repo 的安装说明 此处 进行安装。此外，我们还安装 scikit-learn 包，因为我们将重用其内置的 F1 分数计算辅助函数。
pip install sklearn
pip install transformers==4.29.2
因为我们将使用 PyTorch 的 beta 部分，所以建议安装最新版本的 torch 和 torchvision。您可以在此处找到有关本地安装的最新说明。例如，在 Mac 上安装
yes y | pip uninstall torch torchvision
yes y | pip install --pre torch -f https://download.pytorch.org/whl/nightly/cu101/torch_nightly.html
1.2 导入必要的模块¶
在此步骤中，我们导入本教程所需的 Python 模块。
import logging
import numpy as np
import os
import random
import sys
import time
import torch
from argparse import Namespace
from torch.utils.data import (DataLoader, RandomSampler, SequentialSampler,
TensorDataset)
from tqdm import tqdm
from transformers import (BertConfig, BertForSequenceClassification, BertTokenizer,)
from transformers import glue_compute_metrics as compute_metrics
from transformers import glue_output_modes as output_modes
from transformers import glue_processors as processors
from transformers import glue_convert_examples_to_features as convert_examples_to_features
# Setup logging
logger = logging.getLogger(__name__)
logging.basicConfig(format = '%(asctime)s - %(levelname)s - %(name)s - %(message)s',
datefmt = '%m/%d/%Y %H:%M:%S',
level = logging.WARN)
logging.getLogger("transformers.modeling_utils").setLevel(
logging.WARN) # Reduce logging
print(torch.__version__)
我们设置线程数以比较 FP32 和 INT8 性能之间的单线程性能。在本教程的最后，用户可以通过使用正确的并行后端构建 PyTorch 来设置其他线程数。
torch.set_num_threads(1)
print(torch.__config__.parallel_info())
1.3 了解辅助函数¶
辅助函数内置在 transformers 库中。我们主要使用以下辅助函数：一个用于将文本示例转换为特征向量；另一个用于测量预测结果的 F1 分数。
glue_convert_examples_to_features 函数将文本转换为输入特征
标记化输入序列；
在开头插入 [CLS]；
在第一句和第二句之间以及结尾插入 [SEP]；
生成令牌类型 ID 以指示令牌属于第一个序列还是第二个序列。
glue_compute_metrics 函数具有使用 F1 分数计算指标的功能，F1 分数可以解释为精确率和召回率的加权平均值，其中 F1 分数的最佳值为 1，最差值为 0。精确率和召回率对 F1 分数的相对贡献相等。
F1 分数的公式为
2. 微调 BERT 模型¶
BERT 的精神是预训练语言表示，然后在各种任务上使用最少的任务相关参数微调深度双向表示，并取得最先进的结果。在本教程中，我们将专注于使用预训练的 BERT 模型在 MRPC 任务上对语义等价的句子对进行分类。
要为 MRPC 任务微调预训练的 BERT 模型（bert-base-uncased 模型，在 HuggingFace transformers 中），您可以按照示例中的命令进行操作
export GLUE_DIR=./glue_data
export TASK_NAME=MRPC
export OUT_DIR=./$TASK_NAME/
python ./run_glue.py \
--model_type bert \
--model_name_or_path bert-base-uncased \
--task_name $TASK_NAME \
--do_train \
--do_eval \
--do_lower_case \
--data_dir $GLUE_DIR/$TASK_NAME \
--max_seq_length 128 \
--per_gpu_eval_batch_size=8 \
--per_gpu_train_batch_size=8 \
--learning_rate 2e-5 \
--num_train_epochs 3.0 \
--save_steps 100000 \
--output_dir $OUT_DIR
我们在此处提供了用于 MRPC 任务的微调 BERT 模型此处。为了节省时间，您可以直接将模型文件（约 400 MB）下载到您的本地文件夹 $OUT_DIR 中。
2.1 设置全局配置¶
在这里，我们设置全局配置，用于评估动态量化前后微调的 BERT 模型。
configs = Namespace()
# The output directory for the fine-tuned model, $OUT_DIR.
configs.output_dir = "./MRPC/"
# The data directory for the MRPC task in the GLUE benchmark, $GLUE_DIR/$TASK_NAME.
configs.data_dir = "./glue_data/MRPC"
# The model name or path for the pre-trained model.
configs.model_name_or_path = "bert-base-uncased"
# The maximum length of an input sequence
configs.max_seq_length = 128
# Prepare GLUE task.
configs.task_name = "MRPC".lower()
configs.processor = processors[configs.task_name]()
configs.output_mode = output_modes[configs.task_name]
configs.label_list = configs.processor.get_labels()
configs.model_type = "bert".lower()
configs.do_lower_case = True
# Set the device, batch size, topology, and caching flags.
configs.device = "cpu"
configs.per_gpu_eval_batch_size = 8
configs.n_gpu = 0
configs.local_rank = -1
configs.overwrite_cache = False
# Set random seed for reproducibility.
def set_seed(seed):
random.seed(seed)
np.random.seed(seed)
torch.manual_seed(seed)
set_seed(42)
2.2 加载微调的 BERT 模型¶
我们从 configs.output_dir 加载 tokenizer 和微调的 BERT 序列分类器模型 (FP32)。
tokenizer = BertTokenizer.from_pretrained(
configs.output_dir, do_lower_case=configs.do_lower_case)
model = BertForSequenceClassification.from_pretrained(configs.output_dir)
model.to(configs.device)
2.3 定义标记化和评估函数¶
我们重用 HuggingFace 的标记化和评估函数。
# coding=utf-8
# Copyright 2018 The Google AI Language Team Authors and The HuggingFace Inc. team.
# Copyright (c) 2018, NVIDIA CORPORATION. All rights reserved.
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# https://apache.ac.cn/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
def evaluate(args, model, tokenizer, prefix=""):
# Loop to handle MNLI double evaluation (matched, mis-matched)
eval_task_names = ("mnli", "mnli-mm") if args.task_name == "mnli" else (args.task_name,)
eval_outputs_dirs = (args.output_dir, args.output_dir + '-MM') if args.task_name == "mnli" else (args.output_dir,)
results = {}
for eval_task, eval_output_dir in zip(eval_task_names, eval_outputs_dirs):
eval_dataset = load_and_cache_examples(args, eval_task, tokenizer, evaluate=True)
if not os.path.exists(eval_output_dir) and args.local_rank in [-1, 0]:
os.makedirs(eval_output_dir)
args.eval_batch_size = args.per_gpu_eval_batch_size * max(1, args.n_gpu)
# Note that DistributedSampler samples randomly
eval_sampler = SequentialSampler(eval_dataset) if args.local_rank == -1 else DistributedSampler(eval_dataset)
eval_dataloader = DataLoader(eval_dataset, sampler=eval_sampler, batch_size=args.eval_batch_size)
# multi-gpu eval
if args.n_gpu > 1:
model = torch.nn.DataParallel(model)
# Eval!
logger.info("***** Running evaluation {} *****".format(prefix))
logger.info(" Num examples = %d", len(eval_dataset))
logger.info(" Batch size = %d", args.eval_batch_size)
eval_loss = 0.0
nb_eval_steps = 0
preds = None
out_label_ids = None
for batch in tqdm(eval_dataloader, desc="Evaluating"):
model.eval()
batch = tuple(t.to(args.device) for t in batch)
with torch.no_grad():
inputs = {'input_ids': batch[0],
'attention_mask': batch[1],
'labels': batch[3]}
if args.model_type != 'distilbert':
inputs['token_type_ids'] = batch[2] if args.model_type in ['bert', 'xlnet'] else None # XLM, DistilBERT and RoBERTa don't use segment_ids
outputs = model(**inputs)
tmp_eval_loss, logits = outputs[:2]
eval_loss += tmp_eval_loss.mean().item()
nb_eval_steps += 1
if preds is None:
preds = logits.detach().cpu().numpy()
out_label_ids = inputs['labels'].detach().cpu().numpy()
else:
preds = np.append(preds, logits.detach().cpu().numpy(), axis=0)
out_label_ids = np.append(out_label_ids, inputs['labels'].detach().cpu().numpy(), axis=0)
eval_loss = eval_loss / nb_eval_steps
if args.output_mode == "classification":
preds = np.argmax(preds, axis=1)
elif args.output_mode == "regression":
preds = np.squeeze(preds)
result = compute_metrics(eval_task, preds, out_label_ids)
results.update(result)
output_eval_file = os.path.join(eval_output_dir, prefix, "eval_results.txt")
with open(output_eval_file, "w") as writer:
logger.info("***** Eval results {} *****".format(prefix))
for key in sorted(result.keys()):
logger.info(" %s = %s", key, str(result[key]))
writer.write("%s = %s\n" % (key, str(result[key])))
return results
def load_and_cache_examples(args, task, tokenizer, evaluate=False):
if args.local_rank not in [-1, 0] and not evaluate:
torch.distributed.barrier() # Make sure only the first process in distributed training process the dataset, and the others will use the cache
processor = processors[task]()
output_mode = output_modes[task]
# Load data features from cache or dataset file
cached_features_file = os.path.join(args.data_dir, 'cached_{}_{}_{}_{}'.format(
'dev' if evaluate else 'train',
list(filter(None, args.model_name_or_path.split('/'))).pop(),
str(args.max_seq_length),
str(task)))
if os.path.exists(cached_features_file) and not args.overwrite_cache:
logger.info("Loading features from cached file %s", cached_features_file)
features = torch.load(cached_features_file)
else:
logger.info("Creating features from dataset file at %s", args.data_dir)
label_list = processor.get_labels()
if task in ['mnli', 'mnli-mm'] and args.model_type in ['roberta']:
# HACK(label indices are swapped in RoBERTa pretrained model)
label_list[1], label_list[2] = label_list[2], label_list[1]
examples = processor.get_dev_examples(args.data_dir) if evaluate else processor.get_train_examples(args.data_dir)
features = convert_examples_to_features(examples,
tokenizer,
label_list=label_list,
max_length=args.max_seq_length,
output_mode=output_mode,
pad_on_left=bool(args.model_type in ['xlnet']), # pad on the left for xlnet
pad_token=tokenizer.convert_tokens_to_ids([tokenizer.pad_token])[0],
pad_token_segment_id=4 if args.model_type in ['xlnet'] else 0,
)
if args.local_rank in [-1, 0]:
logger.info("Saving features into cached file %s", cached_features_file)
torch.save(features, cached_features_file)
if args.local_rank == 0 and not evaluate:
torch.distributed.barrier() # Make sure only the first process in distributed training process the dataset, and the others will use the cache
# Convert to Tensors and build dataset
all_input_ids = torch.tensor([f.input_ids for f in features], dtype=torch.long)
all_attention_mask = torch.tensor([f.attention_mask for f in features], dtype=torch.long)
all_token_type_ids = torch.tensor([f.token_type_ids for f in features], dtype=torch.long)
if output_mode == "classification":
all_labels = torch.tensor([f.label for f in features], dtype=torch.long)
elif output_mode == "regression":
all_labels = torch.tensor([f.label for f in features], dtype=torch.float)
dataset = TensorDataset(all_input_ids, all_attention_mask, all_token_type_ids, all_labels)
return dataset
3. 应用动态量化¶
我们在模型上调用 torch.quantization.quantize_dynamic，以对 HuggingFace BERT 模型应用动态量化。具体来说：
我们指定我们希望模型中的
torch.nn.Linear模块被量化；我们指定我们希望权重转换为量化的 int8 值。
quantized_model = torch.quantization.quantize_dynamic(
model, {torch.nn.Linear}, dtype=torch.qint8
)
print(quantized_model)
3.1 检查模型大小¶
让我们首先检查模型大小。我们可以观察到模型大小的显着减小（FP32 总大小：438 MB；INT8 总大小：181 MB）
def print_size_of_model(model):
torch.save(model.state_dict(), "temp.p")
print('Size (MB):', os.path.getsize("temp.p")/1e6)
os.remove('temp.p')
print_size_of_model(model)
print_size_of_model(quantized_model)
本教程中使用的 BERT 模型 (bert-base-uncased) 的词汇量 V 为 30522。嵌入大小为 768，单词嵌入表的总大小约为 4 (Bytes/FP32) * 30522 * 768 = 90 MB。因此，借助量化，非嵌入表部分的模型大小从 350 MB（FP32 模型）减少到 90 MB（INT8 模型）。
3.2 评估推理准确率和时间¶
接下来，让我们比较原始 FP32 模型和动态量化后的 INT8 模型之间的推理时间和评估准确率。
def time_model_evaluation(model, configs, tokenizer):
eval_start_time = time.time()
result = evaluate(configs, model, tokenizer, prefix="")
eval_end_time = time.time()
eval_duration_time = eval_end_time - eval_start_time
print(result)
print("Evaluate total time (seconds): {0:.1f}".format(eval_duration_time))
# Evaluate the original FP32 BERT model
time_model_evaluation(model, configs, tokenizer)
# Evaluate the INT8 BERT model after the dynamic quantization
time_model_evaluation(quantized_model, configs, tokenizer)
在 MacBook Pro 上本地运行，在没有量化的情况下，推理（对于 MRPC 数据集中的所有 408 个示例）大约需要 160 秒，而使用量化则大约需要 90 秒。我们总结了在 Macbook Pro 上运行量化 BERT 模型推理的结果如下
| Prec | F1 score | Model Size | 1 thread | 4 threads |
| FP32 | 0.9019 | 438 MB | 160 sec | 85 sec |
| INT8 | 0.902 | 181 MB | 90 sec | 46 sec |
在 MRPC 任务上对微调的 BERT 模型应用训练后动态量化后，我们的 F1 分数准确率降低了 0.6%。作为比较，在一篇最近的论文（表 1）中，通过应用训练后动态量化，它达到了 0.8788，通过应用量化感知训练，它达到了 0.8956。主要区别在于我们在 PyTorch 中支持非对称量化，而该论文仅支持对称量化。
请注意，在本教程中，我们将线程数设置为 1，用于单线程比较。我们还支持这些量化 INT8 运算符的 intra-op 并行化。用户现在可以通过 torch.set_num_threads(N) （N 是 intra-op 并行化线程数）设置多线程。启用 intra-op 并行化支持的一个初步要求是使用正确的 后端（如 OpenMP、Native 或 TBB）构建 PyTorch。您可以使用 torch.__config__.parallel_info() 检查并行化设置。在同一台 MacBook Pro 上，使用带有 Native 后端的 PyTorch 进行并行化，我们可以获得大约 46 秒的处理 MRPC 数据集评估的时间。
3.3 序列化量化模型¶
我们可以使用 torch.jit.save 在跟踪模型后序列化并保存量化模型以供将来使用。
def ids_tensor(shape, vocab_size):
# Creates a random int32 tensor of the shape within the vocab size
return torch.randint(0, vocab_size, shape=shape, dtype=torch.int, device='cpu')
input_ids = ids_tensor([8, 128], 2)
token_type_ids = ids_tensor([8, 128], 2)
attention_mask = ids_tensor([8, 128], vocab_size=2)
dummy_input = (input_ids, attention_mask, token_type_ids)
traced_model = torch.jit.trace(quantized_model, dummy_input)
torch.jit.save(traced_model, "bert_traced_eager_quant.pt")
要加载量化模型，我们可以使用 torch.jit.load
loaded_quantized_model = torch.jit.load("bert_traced_eager_quant.pt")
结论¶
在本教程中，我们演示了如何将像 BERT 这样著名的最先进 NLP 模型转换为动态量化模型。动态量化可以减小模型的大小，同时仅对准确率产生有限的影响。
感谢阅读！与往常一样，我们欢迎任何反馈，如果您有任何问题，请在此处创建 issue 此处。
参考文献¶
[1] J.Devlin, M. Chang, K. Lee 和 K. Toutanova，《BERT：用于语言理解的深度双向 Transformer 的预训练》(2018)。
[3] O. Zafrir、G. Boudoukh、P. Izsak 和 M. Wasserblat (2019)。《Q8BERT：量化 8 位 BERT》。
