如何为 PyTorch 2 导出量化编写 Quantizer
¶
**作者**:Leslie Fang、Weiwen Xia、Jiong Gong、Kimish Patel、Jerry Zhang
简介¶
(原型) PyTorch 2 导出训练后量化 介绍了 PyTorch 2 导出量化的整体 API,与 fx 图模式量化在 API 方面的主要区别在于,我们明确地指出量化针对的是特定的后端。因此,要使用新的流程,后端需要实现一个 Quantizer
类,该类编码:(1) 后端支持哪些量化运算符或模式 (2) 用户如何表达他们希望如何对浮点模型进行量化,例如,将整个模型量化为 int8 对称量化,或仅量化线性层等。
请参阅 此处了解新 API 和 Quantizer
的动机。
用于 XNNPACK
的现有量化器对象定义在 QNNPackQuantizer 中。
注解 API¶
Quantizer
使用注解 API 来传达不同算子/模式的量化意图。注解 API 主要由 QuantizationSpec 和 QuantizationAnnotation 组成。
QuantizationSpec
用于传达张量如何量化的意图,例如数据类型、比特宽度、最小值、最大值、对称与非对称等。此外,QuantizationSpec
还允许量化器指定如何观察张量值,例如 MinMaxObserver
或 HistogramObserver
,或一些自定义观察器。
QuantizationAnnotation
由 QuantizationSpec
对象组成,用于注解模式的输入张量和输出张量。注解输入张量等价于注解输入边,而注解输出张量等价于注解节点。QuantizationAnnotation
是一个带有几个字段的 dataclass
。
input_qspec_map
字段是Dict
类,用于将每个输入张量(作为输入边)映射到一个QuantizationSpec
。output_qspec
字段表示用于注解输出张量的QuantizationSpec
;_annotated
字段指示该节点是否已被量化器注解。
总之,注解 API 要求量化器注解图的边(输入张量)或节点(输出张量)。现在,我们将逐步介绍如何在不同类型的 QuantizationSpec
中使用注解 API。
1. 注解常见算子模式¶
为了使用量化模式/算子,例如 quantized add
,后端开发者将有意愿对模式的输入和输出进行量化(如 QuantizationSpec
所表达)。以下是如何使用注解 API 在量化工作流程中传达此意图的示例流程(以 add
算子为例)。
步骤 1:在 FX 图中识别原始浮点模式。有多种方法可以识别此模式:量化器可以使用模式匹配器来匹配算子模式;量化器可以从头到尾遍历节点,并将节点的目标类型与算子模式进行比较。在本例中,我们可以使用 get_source_partitions 来匹配此模式。原始浮点
add
模式仅包含单个add
节点。
add_partitions = get_source_partitions(gm.graph, [operator.add, torch.add])
add_partitions = list(itertools.chain(*add_partitions.values()))
for add_partition in add_partitions:
add_node = add_partition.output_nodes[0]
步骤 2:为模式的输入和输出定义
QuantizationSpec
。QuantizationSpec
定义了data type
、qscheme
和其他关于用户如何观察或伪量化张量的意图的量化参数。
act_quantization_spec = QuantizationSpec(
dtype=torch.int8,
quant_min=-128,
quant_max=127,
qscheme=torch.per_tensor_affine,
is_dynamic=False,
observer_or_fake_quant_ctr=HistogramObserver.with_args(eps=2**-12),
)
input_act_qspec = act_quantization_spec
output_act_qspec = act_quantization_spec
步骤 3:使用
QuantizationAnnotation
注解模式的输入和输出。在本例中,我们将使用上述步骤 2 中为add
节点的两个输入和一个输出创建的QuantizationSpec
创建QuantizationAnnotation
对象。
input_qspec_map = {}
input_act0 = add_node.args[0]
input_qspec_map[input_act0] = input_act_qspec
input_act1 = add_node.args[1]
input_qspec_map[input_act1] = input_act_qspec
add_node.meta["quantization_annotation"] = QuantizationAnnotation(
input_qspec_map=input_qspec_map,
output_qspec=output_act_qspec,
_annotated=True,
)
在我们这样注解 add
节点之后,在后续的量化流程中,HistogramObserver
将在准备阶段插入到其两个输入节点和一个输出节点。并且 HistogramObserver
将在转换阶段被 quantize
节点和 dequantize
节点替换。
3. 注解具有固定量化参数的算子¶
注解量化模型的另一个典型用例是对于其量化参数预先已知的张量。例如,像 sigmoid
这样的算子,其输入和输出张量具有预定义和固定的比例/零点。FixedQParamsQuantizationSpec 专为这种用例而设计。要使用 FixedQParamsQuantizationSpec
,用户需要显式地传入 scale
和 zero_point
参数。
步骤 1:在 FX 图中识别原始浮点模式。我们可以使用
QuantizationSpec
示例中介绍的相同方法来识别sigmoid
模式。步骤 2:使用固定
scale
、zero_point
值创建FixedQParamsQuantizationSpec
对象。这些值将用于在转换阶段创建quantize
节点和dequantize
节点。步骤 3:注解输入和输出以使用此
FixedQParamsQuantizationSpec
对象。
act_qspec = FixedQParamsQuantizationSpec(
dtype=torch.uint8,
quant_min=0,
quant_max=255,
qscheme=torch.per_tensor_affine,
scale=1.0 / 256.0,
zero_point=0,
)
sigmoid_node.meta["quantization_annotation"] = QuantizationAnnotation(
input_qspec_map={input_act: act_qspec},
output_qspec=act_qspec,
_annotated=True,
)
4. 注解具有派生量化参数的张量¶
另一个用例是为量化参数派生自其他张量的张量定义约束。例如,如果我们想要注释一个卷积节点,并将它的偏置输入张量的scale
定义为激活张量的scale
和权重张量的scale
的乘积。我们可以使用DerivedQuantizationSpec来注释此卷积节点。
步骤 1:在 FX 图中识别原始浮点数模式。我们可以使用
QuantizationSpec
示例中介绍的相同方法来识别convolution
模式。步骤 2:定义
derive_qparams_fn
函数,它接受ObserverOrFakeQuantize
(ObserverBase或FakeQuantizeBase)列表作为输入。从每个ObserverOrFakeQuantize
对象中,用户可以获取scale
、zero point
值。用户可以定义其关于如何基于观察者或伪量化实例计算的量化参数来推导出新的scale
、zero point
值的启发式方法。步骤 3:定义
DerivedQuantizationSpec
对象,它接受以下输入:EdgeOrNode
对象的列表。与每个EdgeOrNode
对象对应的观察者将传递到derive_qparams_fn
函数中;derive_qparams_fn
函数;其他一些量化参数,例如dtype
、qscheme
。步骤 4:使用
QuantizationAnnotation
注释此卷积节点的输入和输出。
def derive_qparams_fn(obs_or_fqs: List[ObserverOrFakeQuantize]) -> Tuple[Tensor, Tensor]:
assert len(obs_or_fqs) == 2, \
"Expecting two obs/fqs, one for activation and one for weight, got: {}".format(len(obs_or_fq))
act_obs_or_fq = obs_or_fqs[0]
weight_obs_or_fq = obs_or_fqs[1]
act_scale, act_zp = act_obs_or_fq.calculate_qparams()
weight_scale, weight_zp = weight_obs_or_fq.calculate_qparams()
return torch.tensor([act_scale * weight_scale]).to(torch.float32), torch.tensor([0]).to(torch.int32)
bias_qspec = DerivedQuantizationSpec(
derived_from=[(input_act, node), (weight, node)],
derive_qparams_fn=derive_qparams_fn,
dtype=torch.int32,
quant_min=-2**31,
quant_max=2**31 - 1,
qscheme=torch.per_tensor_symmetric,
)
input_qspec_map = {input_act: act_quantization_spec, weight: weight_quantization_spec, bias: bias_qspec}
node.meta["quantization_annotation"] = QuantizationAnnotation(
input_qspec_map=input_qspec_map,
output_qspec=act_quantization_spec,
_annotated=True,
)
5. 使用 Resnet18 的玩具示例¶
在使用QuantizationAnnotation API
定义了上述注释方法后,我们现在可以将它们组合在一起构建一个BackendQuantizer
,并使用玩具示例运行Torchvision Resnet18
。为了更好地理解最终示例,以下是在示例中使用的类和实用程序函数
QuantizationConfig分别包含用于激活、权重和偏置的
QuantizationSpec
。在注释模型时,get_input_act_qspec、get_output_act_qspec、get_weight_qspec和get_bias_qspec可用于从特定模式的
QuantizationConfig
获取QuantizationSpec
。
关于 PT2E 量化流程的 IR 说明¶
IR 表示模型的中间表示,例如torch
IR(torch.nn
模块、torch.nn.functional
操作)或aten
IR(torch.ops.aten.linear
等)。PT2E 量化流程使用预自动微分 aten IR(torch.export API 的输出),以便我们支持训练。如前所述,我们需要匹配运算符或运算符模式,然后才能在它们上附加注释,因此问题是如何匹配模式?
动机:直接匹配aten
IR 的问题¶
最直接的方法可能是直接匹配aten
IR。
示例
for n in gm.graph.nodes:
if n.op != "call_function" or n.target not in [
torch.ops.aten.relu.default,
torch.ops.aten.relu_.default,
]:
continue
relu_node = n
maybe_conv_node = n.args[0]
if (
not isinstance(maybe_conv_node, Node)
or maybe_conv_node.op != "call_function"
or maybe_conv_node.target
not in [
torch.ops.aten.conv1d.default,
torch.ops.aten.conv2d.default,
]
):
continue
# annotate conv and relu nodes
...
但是,使用此 IR 的一个问题是,如果模块或函数操作的 PyTorch 实现发生更改,则表示形式可能会发生更改。但这可能是出乎意料的,因为建模用户通常假设当急切模式模型代码不发生变化时,他们应该在程序捕获后获得相同的模型表示形式。此问题的一个具体影响是,如果Quantizer
基于识别aten
IR 模式进行注释,则它可能在 PyTorch 版本更新后无法识别该模式,并且相同的急切模式浮点数可能会保持未量化。
建议:使用SubgraphMatcherWithNameNodeMap
进行模式匹配¶
因此,我们建议用户通过SubgraphMatcherWithNameNodeMap
(SubgraphMatcher
的改进版本,使查询用户想要注释的节点更容易)识别模式,通过捕获torch
IR 模式(与用于捕获浮点数模型的相同程序捕获),而不是直接使用aten
IR 模式。
示例
def conv_relu_pattern(input, weight, bias):
conv = torch.nn.functional.conv2d(input, weight, bias)
output = torch.nn.functional.relu(conv)
# returns an additional dict that includes a map from name to node that we want to annotate
return relu, {"input": input, "weight": weight, "bias": bias, "output": output}
matcher = SubgraphMatcherWithNameNodeMap(conv_relu_pattern)
matches = matcher.match(model)
for match in matches:
# find input and output of the pattern
# annotate the nodes
name_node_map = match.name_node_map
input_node = name_node_map["input"]
weight_node = name_node_map["weight"]
bias_node = name_node_map["bias"]
output_node = name_node_map["relu"]
input_node.users[0].meta["quantization_annotation"] = ...
weight_node.users[0].meta["quantization_annotation"] = ...
bias_node.users[0].meta["quantization_annotation"] = ...
output_node.meta["quantization_annotation"] = ...
有了这个,即使 nn 模块和函数的实现发生变化,Quantizer
仍然有效,浮点数模型的aten
IR 会发生变化,但由于我们再次捕获模式而不是对模式的aten
IR 进行硬编码,因此我们也将获得更新的aten
IR,并且仍然能够匹配模式。
一个警告是,如果模式的输入有多个用户,除了检查 aten 操作目标外,我们没有好的方法来识别我们想要注释哪个用户节点。
另一个警告是,我们需要确保我们有详尽的示例列表(例如,2D、3D、4D 输入,真实与符号输入,training=True 与 training=False 等),以便确保涵盖从torch
IR 模式捕获的不同可能的aten
IR 结果。
注意:我们可能会提供一些(模式,示例输入列表)或一些预生成的匹配器对象,以便用户将来可以直接使用它们。
结论¶
在本教程中,我们介绍了 PyTorch 2 中新的量化路径。用户可以学习如何使用QuantizationAnnotation API
定义BackendQuantizer
,并将其集成到 PyTorch 2 导出量化流程中。针对特定注释用例,给出了QuantizationSpec
、SharedQuantizationSpec
、FixedQParamsQuantizationSpec
和DerivedQuantizationSpec
的示例。您可以使用XNNPACKQuantizer作为示例开始实现您自己的Quantizer
。之后,请按照本教程实际量化您的模型。