PyTorch 2 Export Quantization 透過 Inductor 使用 X86 後端¶

創建於: 2024 年 1 月 25 日 | 最後更新於: 2024 年 4 月 19 日 | 最後驗證於: 2024 年 11 月 05 日

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

先決條件¶

簡介¶

本教程介紹了利用 PyTorch 2 Export Quantization 流程生成針對 x86 inductor 後端定製的量化模型的步驟，並解釋瞭如何將量化模型降低到 inductor 中。

PyTorch 2 export quantization 流程使用 torch.export 將模型捕獲到圖中，並在 ATen 圖之上執行量化變換。這種方法預計將顯著提高模型覆蓋率、可程式設計性以及簡化使用者體驗 (UX)。TorchInductor 是新的編譯器後端，它將 TorchDynamo 生成的 FX Graphs 編譯成最佳化的 C++/Triton kernels。

這種結合 Inductor 的量化 2 流程支援靜態量化和動態量化。靜態量化最適用於像 ResNet-50 這樣的 CNN 模型。動態量化更適合像 RNN 和 BERT 這樣的 NLP 模型。有關這兩種量化型別的區別，請參閱以下頁面。

量化流程主要包括三個步驟

步驟 1：基於torch export 機制，從 eager 模型捕獲 FX Graph。
步驟 2：基於捕獲的 FX Graph 應用量化流程，包括定義後端特定的 quantizer，生成帶有 observers 的 prepared model，執行 prepared model 的校準或量化感知訓練，並將 prepared model 轉換為 quantized model。
步驟 3：使用 API torch.compile 將量化模型降低到 inductor 中。

這個流程的高層架構可能看起來像這樣

float_model(Python)                          Example Input
    \                                              /
     \                                            /
—--------------------------------------------------------
|                         export                       |
—--------------------------------------------------------
                            |
                    FX Graph in ATen
                            |            X86InductorQuantizer
                            |                 /
—--------------------------------------------------------
|                      prepare_pt2e                     |
|                           |                           |
|                     Calibrate/Train                   |
|                           |                           |
|                      convert_pt2e                     |
—--------------------------------------------------------
                            |
                     Quantized Model
                            |
—--------------------------------------------------------
|                    Lower into Inductor                |
—--------------------------------------------------------
                            |
                         Inductor

結合 PyTorch 2 Export 中的量化和 TorchInductor，我們獲得了新的 Quantization 前端的靈活性和生產力，以及編譯器後端的出色開箱即用效能。特別是在 Intel 第四代 (SPR) Xeon 處理器上，透過利用advanced-matrix-extensions 特性可以進一步提升模型的效能。

後訓練量化¶

現在，我們將透過一步一步的教程向您展示如何使用 torchvision resnet18 模型進行後訓練量化。

1. 捕獲 FX Graph¶

我們將首先執行必要的匯入，並從 eager 模組捕獲 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,
    # )

接下來，我們將獲得要量化的 FX Module。

2. 應用量化¶

捕獲到要量化的 FX Module 後，我們將匯入用於 X86 CPU 的 Backend Quantizer，並配置如何對模型進行量化。

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

注意

X86InductorQuantizer 中的預設量化配置對 activations 和 weights 都使用 8 位。

當 Vector Neural Network Instruction 不可用時，oneDNN 後端會靜默選擇假定乘法為 7 位 x 8 位的 kernels。換句話說，在不帶 Vector Neural Network Instruction 的 CPU 上執行時，可能會出現潛在的數值飽和和精度問題。

預設情況下，量化配置用於靜態量化。要應用動態量化，在獲取 config 時新增引數 is_dynamic=True。

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

匯入後端特定的 Quantizer 後，我們將準備模型進行後訓練量化。prepare_pt2e 將 BatchNorm 運算元摺疊到之前的 Conv2d 運算元中，並在模型中的適當位置插入 observers。

prepared_model = prepare_pt2e(exported_model, quantizer)

現在，在 observers 插入到模型中後，我們將校準 prepared_model。此步驟僅適用於靜態量化。

# 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

最後，我們將校準後的模型轉換為量化模型。convert_pt2e 接受一個校準後的模型並生成一個量化模型。

converted_model = convert_pt2e(prepared_model)

完成這些步驟後，我們就執行完了量化流程，將獲得量化模型。

3. 降低到 Inductor¶

獲得量化模型後，我們將進一步將其降低到 inductor 後端。預設的 Inductor wrapper 生成 Python 程式碼來呼叫生成的 kernels 和外部 kernels。此外，Inductor 支援生成純 C++ 程式碼的 C++ wrapper。這允許無縫整合生成的和外部的 kernels，有效減少 Python 開銷。未來，利用 C++ wrapper，我們可以擴充套件功能以實現純 C++ 部署。有關 C++ Wrapper 的更全面詳細資訊，請參閱專門的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)

在更高階的場景中，int8-mixed-bf16 量化發揮作用。在這種情況下，如果沒有後續的量化節點，Convolution 或 GEMM 運算元會產生 BFloat16 輸出資料型別而不是 Float32。隨後，BFloat16 張量會無縫傳播通過後續的 pointwise 運算元，有效最小化記憶體使用並可能提升效能。此功能的利用類似於常規的 BFloat16 Autocast，只需將指令碼包裹在 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)

將所有這些程式碼放在一起，我們就得到了玩具示例程式碼。請注意，由於 Inductor 的 freeze 特性尚未預設開啟，請執行示例程式碼時帶上 TORCHINDUCTOR_FREEZING=1。

例如

TORCHINDUCTOR_FREEZING=1 python example_x86inductorquantizer_pytorch_2_1.py

隨著 PyTorch 2.1 的釋出，TorchBench 測試套件中的所有 CNN 模型都已進行測量，並證明與 Inductor FP32 推理路徑相比是有效的。有關詳細的基準測試資料，請參閱此文件。

量化感知訓練¶

PyTorch 2 Export 量化感知訓練 (QAT) 現在在 X86 CPU 上受支援，使用 X86InductorQuantizer，隨後將量化模型降低到 Inductor 中。為了更深入地理解 PT2 Export 量化感知訓練，我們建議參考專門的PyTorch 2 Export 量化感知訓練教程。

PyTorch 2 Export QAT 流程與 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)

請注意，Inductor 的 freeze 特性並未預設啟用。要使用此功能，您需要在執行示例程式碼時設定 TORCHINDUCTOR_FREEZING=1。

例如

TORCHINDUCTOR_FREEZING=1 python example_x86inductorquantizer_qat.py

結論¶

透過本教程，我們介紹瞭如何在 PyTorch 2 Quantization 中結合 Inductor 和 X86 CPU 使用。使用者可以學習如何使用 X86InductorQuantizer 對模型進行量化，並將其降低到適用於 X86 CPU 裝置的 Inductor 中。