PyTorch 2 Export Quantization 通过 Inductor 使用 X86 后端

创建于: 2024 年 1 月 25 日 | 最后更新于: 2024 年 4 月 19 日 | 最后验证于: 2024 年 11 月 05 日

作者: Leslie Fang, Weiwen Xia, Jiong Gong, Jerry Zhang

先决条件

• PyTorch 2 Export 后训练量化

• PyTorch 2 Export 量化感知训练

• PyTorch 中的 TorchInductor 和 torch.compile 概念

• Inductor C++ Wrapper 概念

简介

本教程介绍了利用 PyTorch 2 Export Quantization 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 export quantization 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。这种方法预计将显著提高模型覆盖率、可编程性以及简化用户体验 (UX)。TorchInductor 是新的编译器后端，它将 TorchDynamo 生成的 FX Graphs 编译成优化的 C++/Triton kernels。

这种结合 Inductor 的量化 2 流程支持静态量化和动态量化。静态量化最适用于像 ResNet-50 这样的 CNN 模型。动态量化更适合像 RNN 和 BERT 这样的 NLP 模型。有关这两种量化类型的区别，请参阅以下页面。

量化流程主要包括三个步骤

• 步骤 1：基于torch export 机制，从 eager 模型捕获 FX Graph。

• 步骤 2：基于捕获的 FX Graph 应用量化流程，包括定义后端特定的 quantizer，生成带有 observers 的 prepared model，执行 prepared model 的校准或量化感知训练，并将 prepared model 转换为 quantized model。

• 步骤 3：使用 API torch.compile 将量化模型降低到 inductor 中。

这个流程的高层架构可能看起来像这样

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 Export 中的量化和 TorchInductor，我们获得了新的 Quantization 前端的灵活性和生产力，以及编译器后端的出色开箱即用性能。特别是在 Intel 第四代 (SPR) Xeon 处理器上，通过利用advanced-matrix-extensions 特性可以进一步提升模型的性能。

后训练量化

现在，我们将通过一步一步的教程向您展示如何使用 torchvision resnet18 模型进行后训练量化。

1. 捕获 FX Graph

我们将首先执行必要的导入，并从 eager 模块捕获 FX Graph。

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，我们将获得要量化的 FX Module。

2. 应用量化

捕获到要量化的 FX Module 后，我们将导入用于 X86 CPU 的 Backend Quantizer，并配置如何对模型进行量化。

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

注意

X86InductorQuantizer 中的默认量化配置对 activations 和 weights 都使用 8 位。

当 Vector Neural Network Instruction 不可用时，oneDNN 后端会静默选择假定乘法为 7 位 x 8 位的 kernels。换句话说，在不带 Vector Neural Network Instruction 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，在获取 config 时添加参数 is_dynamic=True。

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

导入后端特定的 Quantizer 后，我们将准备模型进行后训练量化。prepare_pt2e 将 BatchNorm 算子折叠到之前的 Conv2d 算子中，并在模型中的适当位置插入 observers。

prepared_model = prepare_pt2e(exported_model, quantizer)

现在，在 observers 插入到模型中后，我们将校准 prepared_model。此步骤仅适用于静态量化。

# 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 接受一个校准后的模型并生成一个量化模型。

converted_model = convert_pt2e(prepared_model)

完成这些步骤后，我们就运行完了量化流程，将获得量化模型。

3. 降低到 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 wrapper 生成 Python 代码来调用生成的 kernels 和外部 kernels。此外，Inductor 支持生成纯 C++ 代码的 C++ wrapper。这允许无缝集成生成的和外部的 kernels，有效减少 Python 开销。未来，利用 C++ wrapper，我们可以扩展功能以实现纯 C++ 部署。有关 C++ Wrapper 的更全面详细信息，请参阅专门的Inductor C++ Wrapper 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 量化发挥作用。在这种情况下，如果没有后续的量化节点，Convolution 或 GEMM 算子会产生 BFloat16 输出数据类型而不是 Float32。随后，BFloat16 张量会无缝传播通过后续的 pointwise 算子，有效最小化内存使用并可能提升性能。此功能的利用类似于常规的 BFloat16 Autocast，只需将脚本包裹在 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，我们就得到了玩具示例代码。请注意，由于 Inductor 的 freeze 特性尚未默认开启，请运行示例代码时带上 TORCHINDUCTOR_FREEZING=1。

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 模型都已进行测量，并证明与 Inductor FP32 推理路径相比是有效的。有关详细的基准测试数据，请参阅此文档。

量化感知训练

PyTorch 2 Export 量化感知训练 (QAT) 现在在 X86 CPU 上受支持，使用 X86InductorQuantizer，随后将量化模型降低到 Inductor 中。为了更深入地理解 PT2 Export 量化感知训练，我们建议参考专门的PyTorch 2 Export 量化感知训练教程。

PyTorch 2 Export QAT 流程与 PTQ 流程基本相似

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 的 freeze 特性并未默认启用。要使用此功能，您需要在运行示例代码时设置 TORCHINDUCTOR_FREEZING=1。

例如

TORCHINDUCTOR_FREEZING=1 python example_x86inductorquantizer_qat.py

结论

通过本教程，我们介绍了如何在 PyTorch 2 Quantization 中结合 Inductor 和 X86 CPU 使用。用户可以学习如何使用 X86InductorQuantizer 对模型进行量化，并将其降低到适用于 X86 CPU 设备的 Inductor 中。