• 教程 >
  • PyTorch 2 导出量化与 X86 后端通过 Inductor
快捷方式

PyTorch 2 导出量化与 X86 后端通过 Inductor

作者: Leslie FangWeiwen XiaJiong GongJerry Zhang

简介

本教程介绍了使用 PyTorch 2 导出量化流程生成针对 x86 inductor 后端定制的量化模型的步骤,并解释了如何将量化模型降低到 inductor 中。

pytorch 2 导出量化流程使用 torch.export 将模型捕获到图中,并在 ATen 图之上执行量化变换。此方法预计将具有显著更高的模型覆盖率、更好的可编程性和简化的 UX。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。

此量化 2 与 Inductor 的流程支持静态和动态量化。静态量化最适合 CNN 模型,例如 ResNet-50。动态量化更适合 NLP 模型,例如 RNN 和 BERT。有关两种量化类型之间的差异,请参阅以下页面

量化流程主要包括三个步骤

  • 步骤 1:根据torch 导出机制从 eager 模型中捕获 FX 图。

  • 步骤 2:根据捕获的 FX 图应用量化流程,包括定义后端特定量化器、生成带有观察器的准备模型、执行准备模型的校准或量化感知训练,并将准备模型转换为量化模型。

  • 步骤 3:使用 API torch.compile 将量化模型降低到归纳器。

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

将 PyTorch 2 导出中的量化与 TorchInductor 相结合,我们在新的量化前端具有灵活性和生产力,并在编译器后端具有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,通过利用 高级矩阵扩展 功能可以进一步提升模型的性能。

训练后量化

现在,我们将逐步指导您如何使用 torchvision resnet18 模型 进行训练后量化。

1. 捕获 FX 图

我们将首先执行必要的导入,从渴望模块中捕获 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 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 后端会静默地选择假设 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,可能会出现潜在的数值饱和和精度问题。

默认情况下,量化配置用于静态量化。要应用动态量化,请在获取配置时添加一个参数 is_dynamic=True

quantizer = X86InductorQuantizer()
quantizer.set_global(xiq.get_default_x86_inductor_quantization_config(is_dynamic=True))

导入后端特定量化器后,我们将为训练后量化准备模型。 prepare_pt2e 将 BatchNorm 运算符折叠到前面的 Conv2d 运算符中,并在模型的适当位置插入观察器。

prepared_model = prepare_pt2e(exported_model, quantizer)

现在,将在模型中插入观察器后校准 prepared_model。此步骤仅针对静态量化是必需的。

# 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 接受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,我们将完成量化流程的运行,并将获得量化模型。

3. 降低到归纳器

获得量化模型后,我们将进一步将其降低到归纳器后端。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的无缝集成,有效地减少了 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,请参阅有关 Inductor C++ 包装器教程 的专用教程。

# 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-mixed-bf16 量化开始发挥作用。在这种情况下,卷积或 GEMM 运算符会在没有后续量化节点的情况下生成 BFloat16 输出数据类型,而不是 Float32。随后,BFloat16 张量无缝地通过后续的逐点运算符传播,有效地减少了内存使用量,并可能提高性能。此功能的使用方式与常规 BFloat16 自动广播类似,就像将脚本包装在 BFloat16 自动广播上下文一样简单。

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,请使用 TORCHINDUCTOR_FREEZING=1 运行示例代码。

例如

TORCHINDUCTOR_FREEZING=1 python example_x86inductorquantizer_pytorch_2_1.py

随着 PyTorch 2.1 的发布,TorchBench 测试套件中的所有 CNN 模型都已通过测量,并证明与 Inductor FP32 推断路径相比有效。有关详细信息,请参考 本文档

量化感知训练

PyTorch 2 导出量化感知训练 (QAT) 现在支持使用 X86InductorQuantizer 在 X86 CPU 上进行,然后将量化模型降低到 Inductor。要更深入地了解 PT2 导出量化感知训练,建议您参考专门的 PyTorch 2 导出量化感知训练

PyTorch 2 导出 QAT 流程与 PTQ 流程非常相似

import torch
from torch._export import capture_pre_autograd_graph
from torch.ao.quantization.quantize_pt2e import (
  prepare_qat_pt2e,
  convert_pt2e,
)
import torch.ao.quantization.quantizer.x86_inductor_quantizer as xiq
from torch.ao.quantization.quantizer.x86_inductor_quantizer import X86InductorQuantizer

class M(torch.nn.Module):
   def __init__(self):
      super().__init__()
      self.linear = torch.nn.Linear(1024, 1000)

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

example_inputs = (torch.randn(1, 1024),)
m = M()

# Step 1. program capture
# NOTE: this API will be updated to torch.export API in the future, but the captured
# result shoud mostly stay the same
exported_model = capture_pre_autograd_graph(m, example_inputs)
# we get a model with aten ops

# Step 2. quantization-aware training
# Use Backend Quantizer for X86 CPU
# To apply dynamic quantization, add an argument ``is_dynamic=True`` when getting the config.
quantizer = X86InductorQuantizer()
quantizer.set_global(xiq.get_default_x86_inductor_quantization_config(is_qat=True))
prepared_model = prepare_qat_pt2e(exported_model, quantizer)

# train omitted

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

# move the quantized model to eval mode, equivalent to `m.eval()`
torch.ao.quantization.move_exported_model_to_eval(converted_model)

# Lower the model into Inductor
with torch.no_grad():
  optimized_model = torch.compile(converted_model)
  _ = optimized_model(*example_inputs)

请注意,Inductor freeze 功能默认情况下未启用。要使用此功能,您需要使用 TORCHINDUCTOR_FREEZING=1 运行示例代码。

例如

TORCHINDUCTOR_FREEZING=1 python example_x86inductorquantizer_qat.py

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 结合使用。用户可以了解如何使用 X86InductorQuantizer 量化模型并将其降低到具有 X86 CPU 设备的归纳器。

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入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源