（原型）PyTorch 2 导出训练后量化

创建于：2023 年 10 月 02 日 | 最后更新：2024 年 10 月 23 日 | 最后验证：2024 年 11 月 05 日

作者：Jerry Zhang

本教程介绍了基于 torch._export.export 在图模式下进行训练后静态量化的步骤。与 FX 图模式量化 相比，此流程预计具有更高的模型覆盖率（14K 模型上的 88%）、更好的可编程性和简化的用户体验。

可被 torch.export.export 导出是使用此流程的先决条件，您可以在 导出数据库 中找到支持的构造。

带有量化器 (quantizer) 的量化 2 的高层架构可能如下所示

float_model(Python)                          Example Input
    \                                              /
     \                                            /
—-------------------------------------------------------
|                        export                        |
—-------------------------------------------------------
                            |
                    FX Graph in ATen     Backend Specific Quantizer
                            |                       /
—--------------------------------------------------------
|                     prepare_pt2e                      |
—--------------------------------------------------------
                            |
                     Calibrate/Train
                            |
—--------------------------------------------------------
|                    convert_pt2e                       |
—--------------------------------------------------------
                            |
                    Quantized Model
                            |
—--------------------------------------------------------
|                       Lowering                        |
—--------------------------------------------------------
                            |
        Executorch, Inductor or <Other Backends>

PyTorch 2 导出量化 API 如下所示

import torch
class M(torch.nn.Module):
   def __init__(self):
      super().__init__()
      self.linear = torch.nn.Linear(5, 10)

   def forward(self, x):
      return self.linear(x)


example_inputs = (torch.randn(1, 5),)
m = M().eval()

# Step 1. program capture
# This is available for pytorch 2.5+, for more details on lower pytorch versions
# please check `Export the model with torch.export` section
m = torch.export.export_for_training(m, example_inputs).module()
# we get a model with aten ops


# Step 2. quantization
from torch.ao.quantization.quantize_pt2e import (
  prepare_pt2e,
  convert_pt2e,
)

from torch.ao.quantization.quantizer.xnnpack_quantizer import (
  XNNPACKQuantizer,
  get_symmetric_quantization_config,
)
# backend developer will write their own Quantizer and expose methods to allow
# users to express how they
# want the model to be quantized
quantizer = XNNPACKQuantizer().set_global(get_symmetric_quantization_config())
m = prepare_pt2e(m, quantizer)

# calibration omitted

m = convert_pt2e(m)
# we have a model with aten ops doing integer computations when possible

PyTorch 2 导出量化的动机

在 PyTorch 2 之前的版本中，我们有 FX 图模式量化，它使用 QConfigMapping 和 BackendConfig 进行自定义。QConfigMapping 允许模型用户指定他们希望如何量化模型，BackendConfig 允许后端开发者指定其后端中支持的量化方式。虽然该 API 在很大程度上涵盖了大多数用例，但它并非完全可扩展。当前的 API 主要存在两个限制：

• 在使用现有对象 QConfig 和 QConfigMapping 表达复杂运算符模式（运算符模式应如何观察/量化）的量化意图方面存在限制。

• 在用户如何表达他们希望如何量化模型的意图方面支持有限。例如，如果用户想要量化模型中的每隔一个线性层，或者量化行为依赖于张量的实际形状（例如，仅在线性层具有 3D 输入时才观察/量化输入和输出），则后端开发者或模型用户需要更改核心量化 API/流程。

以下改进可以使现有流程更好：

• 我们使用 QConfigMapping 和 BackendConfig 作为单独的对象，QConfigMapping 描述了用户希望如何量化模型的意图，BackendConfig 描述了后端支持哪种量化。BackendConfig 是后端特定的，但 QConfigMapping 不是，并且用户可以提供与特定 BackendConfig 不兼容的 QConfigMapping，这不是很好的用户体验。理想情况下，我们可以通过使配置 (QConfigMapping) 和量化能力 (BackendConfig) 都是后端特定的来更好地组织这一点，从而减少关于不兼容性的困惑。

• 在 QConfig 中，我们公开了 observer/ fake_quant observer 类作为用户配置量化的对象，这增加了用户可能需要关注的事情。例如，不仅是 dtype，还包括观察应如何发生，这些都可能对用户隐藏，从而简化用户流程。

以下是新 API 的优势总结：

• 可编程性（解决 1 和 2）：当用户的量化需求未被可用的量化器覆盖时，用户可以构建自己的量化器，并如上所述将其与其他量化器组合。

• 简化的用户体验（解决 3）：提供一个后端和用户都可以交互的单一实例。因此，您不再需要用户面对的量化配置映射来映射用户意图，也不需要后端交互的单独量化配置来配置后端支持的内容。我们仍然会有一种方法供用户查询量化器中支持的内容。通过单个实例，组合不同的量化能力也比以前更自然。

  例如，XNNPACK 不支持 embedding_byte，而我们在 ExecuTorch 中原生支持它。因此，如果我们有只量化 embedding_byte 的 ExecuTorchQuantizer，那么它可以与 XNNPACKQuantizer 组合。（以前，这通常是将两个 BackendConfig 连接在一起，并且由于 QConfigMapping 中的选项不是后端特定的，因此用户还需要弄清楚如何自行指定与组合后端量化能力相匹配的配置。使用单个量化器实例，我们可以组合两个量化器并查询组合量化器的能力，这使其不易出错且更简洁，例如，composed_quantizer.quantization_capabilities())。

• 关注点分离（解决 4）：在设计量化器 API 时，我们还将量化规范（以 dtype、最小值/最大值（位数）、对称等表示）与观察器概念解耦。目前，观察器同时捕获量化规范和如何观察（直方图与 MinMax 观察器）。通过此更改，模型用户可以从与观察器和伪量化对象交互中解放出来。

定义辅助函数并准备数据集

我们将从执行必要的导入、定义一些辅助函数和准备数据开始。这些步骤与 PyTorch 中使用 Eager 模式的静态量化 完全相同。

要使用整个 ImageNet 数据集运行本教程中的代码，请首先按照 ImageNet 数据 中的说明下载 Imagenet。将下载的文件解压缩到 data_path 文件夹中。

下载 torchvision resnet18 模型 并将其重命名为 data/resnet18_pretrained_float.pth。

import os
import sys
import time
import numpy as np

import torch
import torch.nn as nn
from torch.utils.data import DataLoader

import torchvision
from torchvision import datasets
from torchvision.models.resnet import resnet18
import torchvision.transforms as transforms

# Set up warnings
import warnings
warnings.filterwarnings(
    action='ignore',
    category=DeprecationWarning,
    module=r'.*'
)
warnings.filterwarnings(
    action='default',
    module=r'torch.ao.quantization'
)

# Specify random seed for repeatable results
_ = torch.manual_seed(191009)


class AverageMeter(object):
    """Computes and stores the average and current value"""
    def __init__(self, name, fmt=':f'):
        self.name = name
        self.fmt = fmt
        self.reset()

    def reset(self):
        self.val = 0
        self.avg = 0
        self.sum = 0
        self.count = 0

    def update(self, val, n=1):
        self.val = val
        self.sum += val * n
        self.count += n
        self.avg = self.sum / self.count

    def __str__(self):
        fmtstr = '{name} {val' + self.fmt + '} ({avg' + self.fmt + '})'
        return fmtstr.format(**self.__dict__)


def accuracy(output, target, topk=(1,)):
    """
    Computes the accuracy over the k top predictions for the specified
    values of k.
    """
    with torch.no_grad():
        maxk = max(topk)
        batch_size = target.size(0)

        _, pred = output.topk(maxk, 1, True, True)
        pred = pred.t()
        correct = pred.eq(target.view(1, -1).expand_as(pred))

        res = []
        for k in topk:
            correct_k = correct[:k].reshape(-1).float().sum(0, keepdim=True)
            res.append(correct_k.mul_(100.0 / batch_size))
        return res


def evaluate(model, criterion, data_loader):
    model.eval()
    top1 = AverageMeter('Acc@1', ':6.2f')
    top5 = AverageMeter('Acc@5', ':6.2f')
    cnt = 0
    with torch.no_grad():
        for image, target in data_loader:
            output = model(image)
            loss = criterion(output, target)
            cnt += 1
            acc1, acc5 = accuracy(output, target, topk=(1, 5))
            top1.update(acc1[0], image.size(0))
            top5.update(acc5[0], image.size(0))
    print('')

    return top1, top5

def load_model(model_file):
    model = resnet18(pretrained=False)
    state_dict = torch.load(model_file, weights_only=True)
    model.load_state_dict(state_dict)
    model.to("cpu")
    return model

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")

def prepare_data_loaders(data_path):
    normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                     std=[0.229, 0.224, 0.225])
    dataset = torchvision.datasets.ImageNet(
        data_path, split="train", transform=transforms.Compose([
            transforms.RandomResizedCrop(224),
            transforms.RandomHorizontalFlip(),
            transforms.ToTensor(),
            normalize,
        ]))
    dataset_test = torchvision.datasets.ImageNet(
        data_path, split="val", transform=transforms.Compose([
            transforms.Resize(256),
            transforms.CenterCrop(224),
            transforms.ToTensor(),
            normalize,
        ]))

    train_sampler = torch.utils.data.RandomSampler(dataset)
    test_sampler = torch.utils.data.SequentialSampler(dataset_test)

    data_loader = torch.utils.data.DataLoader(
        dataset, batch_size=train_batch_size,
        sampler=train_sampler)

    data_loader_test = torch.utils.data.DataLoader(
        dataset_test, batch_size=eval_batch_size,
        sampler=test_sampler)

    return data_loader, data_loader_test

data_path = '~/.data/imagenet'
saved_model_dir = 'data/'
float_model_file = 'resnet18_pretrained_float.pth'

train_batch_size = 30
eval_batch_size = 50

data_loader, data_loader_test = prepare_data_loaders(data_path)
example_inputs = (next(iter(data_loader))[0])
criterion = nn.CrossEntropyLoss()
float_model = load_model(saved_model_dir + float_model_file).to("cpu")
float_model.eval()

# create another instance of the model since
# we need to keep the original model around
model_to_quantize = load_model(saved_model_dir + float_model_file).to("cpu")

将模型设置为 eval 模式

对于训练后量化，我们需要将模型设置为 eval 模式。

model_to_quantize.eval()

使用 torch.export 导出模型

以下是如何使用 torch.export 导出模型的方法

example_inputs = (torch.rand(2, 3, 224, 224),)
# for pytorch 2.5+
exported_model = torch.export.export_for_training(model_to_quantize, example_inputs).module()

# for pytorch 2.4 and before
# from torch._export import capture_pre_autograd_graph
# exported_model = capture_pre_autograd_graph(model_to_quantize, example_inputs)

# or capture with dynamic dimensions
# for pytorch 2.5+
dynamic_shapes = tuple(
  {0: torch.export.Dim("dim")} if i == 0 else None
  for i in range(len(example_inputs))
)
exported_model = torch.export.export_for_training(model_to_quantize, example_inputs, dynamic_shapes=dynamic_shapes).module()

# for pytorch 2.4 and before
# dynamic_shape API may vary as well
# from torch._export import dynamic_dim
# exported_model = capture_pre_autograd_graph(model_to_quantize, example_inputs, constraints=[dynamic_dim(example_inputs[0], 0)])

导入后端特定的量化器并配置如何量化模型

以下代码片段描述了如何量化模型

from torch.ao.quantization.quantizer.xnnpack_quantizer import (
  XNNPACKQuantizer,
  get_symmetric_quantization_config,
)
quantizer = XNNPACKQuantizer()
quantizer.set_global(get_symmetric_quantization_config())

Quantizer 是后端特定的，每个 Quantizer 都将提供自己的方式来允许用户配置其模型。例如，以下是 XNNPackQuantizer 支持的不同配置 API

quantizer.set_global(qconfig_opt)  # qconfig_opt is an optional quantization config
    .set_object_type(torch.nn.Conv2d, qconfig_opt) # can be a module type
    .set_object_type(torch.nn.functional.linear, qconfig_opt) # or torch functional op
    .set_module_name("foo.bar", qconfig_opt)

注意

请查看我们的 教程，其中描述了如何编写新的 Quantizer。

准备模型以进行训练后量化

prepare_pt2e 将 BatchNorm 运算符折叠到前面的 Conv2d 运算符中，并在模型中的适当位置插入观察器。

prepared_model = prepare_pt2e(exported_model, quantizer)
print(prepared_model.graph)

校准

校准函数在观察器插入模型后运行。校准的目的是运行一些代表工作负载的示例（例如，训练数据集的样本），以便模型中的观察器能够观察张量的统计信息，并且我们稍后可以使用此信息来计算量化参数。

def calibrate(model, data_loader):
    model.eval()
    with torch.no_grad():
        for image, target in data_loader:
            model(image)
calibrate(prepared_model, data_loader_test)  # run calibration on sample data

将校准后的模型转换为量化模型

convert_pt2e 接收一个校准后的模型并生成一个量化模型。

quantized_model = convert_pt2e(prepared_model)
print(quantized_model)

在此步骤中，我们目前有两种表示形式供您选择，但我们在长期内提供的确切表示形式可能会根据 PyTorch 用户的反馈而变化。

• Q/DQ 表示（默认）

  表示形式的先前文档中，所有量化运算符都表示为 dequantize -> fp32_op -> qauntize。

def quantized_linear(x_int8, x_scale, x_zero_point, weight_int8, weight_scale, weight_zero_point, bias_fp32, output_scale, output_zero_point):
    x_fp32 = torch.ops.quantized_decomposed.dequantize_per_tensor(
             x_i8, x_scale, x_zero_point, x_quant_min, x_quant_max, torch.int8)
    weight_fp32 = torch.ops.quantized_decomposed.dequantize_per_tensor(
             weight_i8, weight_scale, weight_zero_point, weight_quant_min, weight_quant_max, torch.int8)
    weight_permuted = torch.ops.aten.permute_copy.default(weight_fp32, [1, 0]);
    out_fp32 = torch.ops.aten.addmm.default(bias_fp32, x_fp32, weight_permuted)
    out_i8 = torch.ops.quantized_decomposed.quantize_per_tensor(
    out_fp32, out_scale, out_zero_point, out_quant_min, out_quant_max, torch.int8)
    return out_i8

• 参考量化模型表示

  我们将为选定的操作提供特殊的表示形式，例如，量化线性层。其他操作表示为 dq -> float32_op -> q，q/dq 被分解为更原始的运算符。您可以使用 convert_pt2e(..., use_reference_representation=True) 获得此表示形式。

# Reference Quantized Pattern for quantized linear
def quantized_linear(x_int8, x_scale, x_zero_point, weight_int8, weight_scale, weight_zero_point, bias_fp32, output_scale, output_zero_point):
    x_int16 = x_int8.to(torch.int16)
    weight_int16 = weight_int8.to(torch.int16)
    acc_int32 = torch.ops.out_dtype(torch.mm, torch.int32, (x_int16 - x_zero_point), (weight_int16 - weight_zero_point))
    bias_scale = x_scale * weight_scale
    bias_int32 = out_dtype(torch.ops.aten.div.Tensor, torch.int32, bias_fp32, bias_scale)
    acc_int32 = acc_int32 + bias_int32
    acc_int32 = torch.ops.out_dtype(torch.ops.aten.mul.Scalar, torch.int32, acc_int32, x_scale * weight_scale / output_scale) + output_zero_point
    out_int8 = torch.ops.aten.clamp(acc_int32, qmin, qmax).to(torch.int8)
    return out_int8

有关最新的参考表示形式，请参阅 此处。

检查模型大小和精度评估

现在我们可以将大小和模型精度与基线模型进行比较。

# Baseline model size and accuracy
print("Size of baseline model")
print_size_of_model(float_model)

top1, top5 = evaluate(float_model, criterion, data_loader_test)
print("Baseline Float Model Evaluation accuracy: %2.2f, %2.2f"%(top1.avg, top5.avg))

# Quantized model size and accuracy
print("Size of model after quantization")
# export again to remove unused weights
quantized_model = torch.export.export_for_training(quantized_model, example_inputs).module()
print_size_of_model(quantized_model)

top1, top5 = evaluate(quantized_model, criterion, data_loader_test)
print("[before serilaization] Evaluation accuracy on test dataset: %2.2f, %2.2f"%(top1.avg, top5.avg))

注意

由于模型尚未降低到目标设备，因此我们现在无法进行性能评估，它只是 ATen 运算符中量化计算的表示形式。

注意

权重现在仍然是 fp32，我们将来可能会对量化操作进行常量传播以获得整数权重。

如果您想获得更好的精度或性能，请尝试以不同的方式配置 quantizer，并且每个 quantizer 都有自己的配置方式，因此请查阅您正在使用的量化器的文档，以了解有关如何更好地控制模型量化的更多信息。

保存和加载量化模型

我们将展示如何保存和加载量化模型。

# 0. Store reference output, for example, inputs, and check evaluation accuracy:
example_inputs = (next(iter(data_loader))[0],)
ref = quantized_model(*example_inputs)
top1, top5 = evaluate(quantized_model, criterion, data_loader_test)
print("[before serialization] Evaluation accuracy on test dataset: %2.2f, %2.2f"%(top1.avg, top5.avg))

# 1. Export the model and Save ExportedProgram
pt2e_quantized_model_file_path = saved_model_dir + "resnet18_pt2e_quantized.pth"
# capture the model to get an ExportedProgram
quantized_ep = torch.export.export(quantized_model, example_inputs)
# use torch.export.save to save an ExportedProgram
torch.export.save(quantized_ep, pt2e_quantized_model_file_path)


# 2. Load the saved ExportedProgram
loaded_quantized_ep = torch.export.load(pt2e_quantized_model_file_path)
loaded_quantized_model = loaded_quantized_ep.module()

# 3. Check results for example inputs and check evaluation accuracy again:
res = loaded_quantized_model(*example_inputs)
print("diff:", ref - res)

top1, top5 = evaluate(loaded_quantized_model, criterion, data_loader_test)
print("[after serialization/deserialization] Evaluation accuracy on test dataset: %2.2f, %2.2f"%(top1.avg, top5.avg))

输出

[before serialization] Evaluation accuracy on test dataset: 79.82, 94.55
diff: tensor([[0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.],
        ...,
        [0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.]])

[after serialization/deserialization] Evaluation accuracy on test dataset: 79.82, 94.55

调试量化模型

您可以使用 Numeric Suite，它可以帮助在 eager 模式和 FX 图模式下进行调试。与 PyTorch 2 Export 模型配合使用的新版本 Numeric Suite 仍在开发中。

降低和性能评估

此时生成的模型不是在设备上运行的最终模型，它是一个参考量化模型，它捕获了用户预期的量化计算，表示为 ATen 运算符和一些额外的量化/反量化运算符。要获得在真实设备上运行的模型，我们需要降低模型。例如，对于在边缘设备上运行的模型，我们可以使用委托和 ExecuTorch 运行时运算符进行降低。

结论

在本教程中，我们介绍了 PyTorch 2 导出量化中使用 XNNPACKQuantizer 的整体量化流程，并获得了可以进一步降低到支持使用 XNNPACK 后端进行推理的后端的量化模型。要将此用于您自己的后端，请首先按照 教程 并为您自己的后端实现 Quantizer，然后使用该 Quantizer 量化模型。