PyTorch 2 使用 Inductor 通过 X86 后端导出训练后量化¶
作者: Leslie Fang，Weiwen Xia，Jiong Gong，Jerry Zhang
简介¶
本教程介绍了利用 PyTorch 2 导出量化流程为 x86 inductor 后端生成定制化量化模型的步骤，并解释了如何将量化模型降低到 inductor 中。
新的量化 2 流程使用 PT2 导出将模型捕获到图中，并在 ATen 图之上执行量化转换。这种方法预计将具有更高的模型覆盖率、更好的可编程性和简化的用户体验。TorchInductor 是新的编译器后端，它将 TorchDynamo 生成的 FX 图编译成优化的 C++/Triton 内核。
这种量化 2 与 Inductor 的流程主要包括三个步骤
步骤 1：基于 torch 导出机制 从 eager 模型捕获 FX 图。
步骤 2：基于捕获的 FX 图应用量化流程，包括定义后端特定的量化器、生成带有观察器的准备模型、执行准备模型的校准以及将准备模型转换为量化模型。
步骤 3：使用 API
torch.compile将量化模型降低到 inductor 中。
此流程的高级架构可能如下所示
float_model(Python) Example Input
\ /
\ /
—--------------------------------------------------------
| export |
—--------------------------------------------------------
|
FX Graph in ATen
| X86InductorQuantizer
| /
—--------------------------------------------------------
| prepare_pt2e |
| | |
| Calibrate/Train |
| | |
| convert_pt2e |
—--------------------------------------------------------
|
Quantized Model
|
—--------------------------------------------------------
| Lower into Inductor |
—--------------------------------------------------------
|
Inductor
结合 PyTorch 2 导出中的量化和 TorchInductor，我们可以在新的量化前端获得灵活性和生产力，并在编译器后端获得出色的开箱即用性能。尤其是在英特尔第四代 (SPR) 至强处理器上，可以通过利用 高级矩阵扩展 功能进一步提升模型的性能。
现在，我们将逐步引导您完成一个教程，了解如何使用 torchvision resnet18 模型。
1. 捕获 FX 图¶
我们将首先执行必要的导入，从 eager 模块捕获 FX 图。
import torch
import torchvision.models as models
import copy
from torch.ao.quantization.quantize_pt2e import prepare_pt2e, convert_pt2e
import torch.ao.quantization.quantizer.x86_inductor_quantizer as xiq
from torch.ao.quantization.quantizer.x86_inductor_quantizer import X86InductorQuantizer
from torch._export import capture_pre_autograd_graph
# Create the Eager Model
model_name = "resnet18"
model = models.__dict__[model_name](pretrained=True)
# Set the model to eval mode
model = model.eval()
# Create the data, using the dummy data here as an example
traced_bs = 50
x = torch.randn(traced_bs, 3, 224, 224).contiguous(memory_format=torch.channels_last)
example_inputs = (x,)
# Capture the FX Graph to be quantized
with torch.no_grad():
# if you are using the PyTorch nightlies or building from source with the pytorch master,
# use the API of `capture_pre_autograd_graph`
# Note 1: `capture_pre_autograd_graph` is also a short-term API, it will be updated to use the official `torch.export` API when that is ready.
exported_model = capture_pre_autograd_graph(
model,
example_inputs
)
# Note 2: if you are using the PyTorch 2.1 release binary or building from source with the PyTorch 2.1 release branch,
# please use the API of `torch._dynamo.export` to capture the FX Graph.
# exported_model, guards = torch._dynamo.export(
# model,
# *copy.deepcopy(example_inputs),
# aten_graph=True,
# )
接下来，我们将拥有要量化的 FX 模块。
2. 应用量化¶
在捕获要量化的 FX 模块后，我们将导入用于 X86 CPU 的后端量化器并配置如何量化模型。
quantizer = X86InductorQuantizer()
quantizer.set_global(xiq.get_default_x86_inductor_quantization_config())
注意
X86InductorQuantizer中的默认量化配置对激活和权重都使用 8 位。
当向量神经网络指令不可用时，oneDNN 后端会静默选择假定乘法为 7 位 x 8 位的内核。换句话说，在没有向量神经网络指令的 CPU 上运行时，可能会发生潜在的数值饱和和精度问题。
导入特定于后端的量化器后，我们将准备模型进行训练后量化。prepare_pt2e 将 BatchNorm 操作折叠到前面的 Conv2d 操作中，并在模型的适当位置插入观察器。
prepared_model = prepare_pt2e(exported_model, quantizer)
现在，我们将校准prepared_model，因为观察器已插入模型中。
# We use the dummy data as an example here
prepared_model(*example_inputs)
# Alternatively: user can define the dataset to calibrate
# 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
最后，我们将校准后的模型转换为量化模型。convert_pt2e 获取校准后的模型并生成量化模型。
converted_model = convert_pt2e(prepared_model)
完成这些步骤后，我们完成了量化流程的运行，并将获得量化后的模型。
3. 降至 Inductor¶
获得量化模型后，我们将进一步将其降低到 inductor 后端。默认的 Inductor 包装器生成 Python 代码以调用生成的内核和外部内核。此外，Inductor 支持生成纯 C++ 代码的 C++ 包装器。这允许生成的内核和外部内核无缝集成，有效减少 Python 开销。将来，利用 C++ 包装器，我们可以扩展功能以实现纯 C++ 部署。有关 C++ 包装器的更全面详细信息，请参阅专门的教程Inductor C++ 包装器教程。
# Optional: using the C++ wrapper instead of default Python wrapper
import torch._inductor.config as config
config.cpp_wrapper = True
with torch.no_grad():
optimized_model = torch.compile(converted_model)
# Running some benchmark
optimized_model(*example_inputs)
在更高级的场景中，int8-混合-bf16 量化开始发挥作用。在这种情况下，卷积或 GEMM 操作会产生 BFloat16 输出数据类型而不是 Float32，前提是没有后续的量化节点。随后，BFloat16 张量无缝地通过后续的逐点操作传播，有效地最小化内存使用并可能提高性能。此功能的使用方式与常规 BFloat16 Autocast 相同，只需将脚本包装在 BFloat16 Autocast 上下文中即可。
with torch.autocast(device_type="cpu", dtype=torch.bfloat16, enabled=True), torch.no_grad():
# Turn on Autocast to use int8-mixed-bf16 quantization. After lowering into Inductor CPP Backend,
# For operators such as QConvolution and QLinear:
# * The input data type is consistently defined as int8, attributable to the presence of a pair
of quantization and dequantization nodes inserted at the input.
# * The computation precision remains at int8.
# * The output data type may vary, being either int8 or BFloat16, contingent on the presence
# of a pair of quantization and dequantization nodes at the output.
# For non-quantizable pointwise operators, the data type will be inherited from the previous node,
# potentially resulting in a data type of BFloat16 in this scenario.
# For quantizable pointwise operators such as QMaxpool2D, it continues to operate with the int8
# data type for both input and output.
optimized_model = torch.compile(converted_model)
# Running some benchmark
optimized_model(*example_inputs)
将所有这些代码放在一起，我们将拥有示例代码。请注意，由于 Inductor freeze 功能尚未默认启用，因此请使用 TORCHINDUCTOR_FREEZING=1 运行您的示例代码。
例如
TORCHINDUCTOR_FREEZING=1 python example_x86inductorquantizer_pytorch_2_1.py
随着 PyTorch 2.1 版本的发布，TorchBench 测试套件中的所有 CNN 模型都已测量并被证明与 Inductor FP32 推理路径相比有效。请参阅此文档以获取详细的基准测试数据。
4. 结论¶
在本教程中，我们介绍了如何在 PyTorch 2 量化中将 Inductor 与 X86 CPU 一起使用。用户可以了解如何使用X86InductorQuantizer 量化模型并将其降低到带有 X86 CPU 设备的 inductor 中。
