PyTorch 2 导出训练后量化

作者：Jerry Zhang

本教程介绍了基于 torch._export.export 在图模式下进行训练后静态量化的步骤。与 FX 图模式量化相比，此流程预计将具有显著更高的模型覆盖率（14K 模型中达到 88%）、更好的可编程性以及简化的用户体验。

可由 torch.export.export 导出是使用此流程的先决条件，您可以在 导出数据库 中找到支持的结构。

使用量化器的量化 2 的高级架构可能如下所示

float_model(Python)                          Example Input
    \                                              /
     \                                            /
—-------------------------------------------------------
|                        export                        |
—-------------------------------------------------------
                            |
                    FX Graph in ATen     Backend Specific Quantizer
                            |                       /
—--------------------------------------------------------
|                     prepare_pt2e                      |
—--------------------------------------------------------
                            |
                     Calibrate/Train
                            |
—--------------------------------------------------------
|                    convert_pt2e                       |
—--------------------------------------------------------
                            |
                    Quantized Model
                            |
—--------------------------------------------------------
|                       Lowering                        |
—--------------------------------------------------------
                            |
        Executorch, Inductor or <Other Backends>

PyTorch 2 导出量化 API 如下所示

import torch
class M(torch.nn.Module):
   def __init__(self):
      super().__init__()
      self.linear = torch.nn.Linear(5, 10)

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


example_inputs = (torch.randn(1, 5),)
m = M().eval()

# Step 1. program capture
# This is available for pytorch 2.6+, for more details on lower pytorch versions
# please check `Export the model with torch.export` section
m = torch.export.export(m, example_inputs).module()
# we get a model with aten ops


# Step 2. quantization
from torchao.quantization.pt2e.quantize_pt2e import (
  prepare_pt2e,
  convert_pt2e,
)

# install executorch: `pip install executorch`
from executorch.backends.xnnpack.quantizer.xnnpack_quantizer import (
  get_symmetric_quantization_config,
  XNNPACKQuantizer,
)
# backend developer will write their own Quantizer and expose methods to allow
# users to express how they
# want the model to be quantized
quantizer = XNNPACKQuantizer().set_global(get_symmetric_quantization_config())
m = prepare_pt2e(m, quantizer)

# calibration omitted

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

PyTorch 2 导出量化的动机

在 PyTorch 2 之前的版本中，我们有 FX 图模式量化，它使用 QConfigMapping 和 BackendConfig 进行自定义。QConfigMapping 允许模型用户指定他们希望如何量化模型，BackendConfig 允许后端开发人员指定其后端中支持的量化方式。虽然该 API 相对较好地涵盖了大多数用例，但它并非完全可扩展。当前 API 存在两个主要限制：

• 使用现有对象 QConfig 和 QConfigMapping 表达复杂运算符模式（如何观察/量化运算符模式）的量化意图时存在限制。

• 用户表达他们希望如何量化模型的意图的支持有限。例如，如果用户希望量化模型中每隔一个线性层，或者量化行为对张量的实际形状有依赖性（例如，只有当线性层具有 3D 输入时才观察/量化输入和输出），后端开发人员或模型用户需要更改核心量化 API/流程。

一些改进可以使现有流程更好

• 我们使用 QConfigMapping 和 BackendConfig 作为单独的对象，QConfigMapping 描述了用户希望如何量化模型的意图，BackendConfig 描述了后端支持的量化类型。BackendConfig 是后端特定的，但 QConfigMapping 不是，并且用户可以提供与特定 BackendConfig 不兼容的 QConfigMapping，这不是一个很好的用户体验。理想情况下，我们可以通过使配置（QConfigMapping）和量化能力（BackendConfig）都后端特定来更好地构建，这样关于不兼容性的困惑就会减少。

• 在 QConfig 中，我们将观察器/fake_quant 观察器类作为对象暴露给用户以配置量化，这增加了用户可能需要关心的事情。例如，不仅是 dtype，还有观察应该如何发生，这些可以潜在地对用户隐藏，从而简化用户流程。

以下是新 API 的优势总结

• 可编程性（解决第 1 和第 2 点）：当用户的量化需求未被现有量化器覆盖时，用户可以构建自己的量化器并与上面提到的其他量化器组合。

• 简化的用户体验（解决第 3 点）：提供一个单一实例，后端和用户都可以与之交互。因此，您不再需要用户面向的量化配置映射来映射用户意图，以及一个单独的量化配置供后端交互以配置后端支持的功能。我们仍然会有一种方法让用户查询量化器中支持的功能。通过单一实例，组合不同的量化功能也比以前更自然。

  例如，XNNPACK 不支持 embedding_byte，而我们在 ExecuTorch 中原生支持此功能。因此，如果我们有一个只量化 embedding_byte 的 ExecuTorchQuantizer，那么它可以与 XNNPACKQuantizer 组合。（以前，这曾经是将两个 BackendConfig 连接在一起，并且由于 QConfigMapping 中的选项不是后端特定的，用户还需要自己找出如何指定与组合后端量化能力匹配的配置。通过单一的量化器实例，我们可以组合两个量化器并查询组合量化器的能力，这使其不易出错且更清晰，例如，composed_quantizer.quantization_capabilities())。

• 关注点分离（解决第 4 点）：在我们设计量化器 API 时，我们也解耦了量化规范（以 dtype、min/max（位数）、对称等表示）与观察器概念。目前，观察器同时捕获了量化规范和如何观察（直方图与 MinMax 观察器）。通过此更改，模型用户无需再与观察器和伪量化对象交互。

定义辅助函数并准备数据集

我们将从必要的导入开始，定义一些辅助函数并准备数据。这些步骤与 PyTorch 中 Eager 模式的静态量化 相同。

要在本教程中使用整个 ImageNet 数据集运行代码，请首先按照此处 ImageNet 数据 的说明下载 ImageNet。将下载的文件解压到 data_path 文件夹中。

下载 torchvision resnet18 模型 并将其重命名为 data/resnet18_pretrained_float.pth。

import os
import sys
import time
import numpy as np

import torch
import torch.nn as nn
from torch.utils.data import DataLoader

import torchvision
from torchvision import datasets
from torchvision.models.resnet import resnet18
import torchvision.transforms as transforms

# Set up warnings
import warnings
warnings.filterwarnings(
    action='ignore',
    category=DeprecationWarning,
    module=r'.*'
)
warnings.filterwarnings(
    action='default',
    module=r'torchao.quantization.pt2e'
)

# Specify random seed for repeatable results
_ = torch.manual_seed(191009)


class AverageMeter(object):
    """Computes and stores the average and current value"""
    def __init__(self, name, fmt=':f'):
        self.name = name
        self.fmt = fmt
        self.reset()

    def reset(self):
        self.val = 0
        self.avg = 0
        self.sum = 0
        self.count = 0

    def update(self, val, n=1):
        self.val = val
        self.sum += val * n
        self.count += n
        self.avg = self.sum / self.count

    def __str__(self):
        fmtstr = '{name} {val' + self.fmt + '} ({avg' + self.fmt + '})'
        return fmtstr.format(**self.__dict__)


def accuracy(output, target, topk=(1,)):
    """
    Computes the accuracy over the k top predictions for the specified
    values of k.
    """
    with torch.no_grad():
        maxk = max(topk)
        batch_size = target.size(0)

        _, pred = output.topk(maxk, 1, True, True)
        pred = pred.t()
        correct = pred.eq(target.view(1, -1).expand_as(pred))

        res = []
        for k in topk:
            correct_k = correct[:k].reshape(-1).float().sum(0, keepdim=True)
            res.append(correct_k.mul_(100.0 / batch_size))
        return res


def evaluate(model, criterion, data_loader):
    model.eval()
    top1 = AverageMeter('Acc@1', ':6.2f')
    top5 = AverageMeter('Acc@5', ':6.2f')
    cnt = 0
    with torch.no_grad():
        for image, target in data_loader:
            output = model(image)
            loss = criterion(output, target)
            cnt += 1
            acc1, acc5 = accuracy(output, target, topk=(1, 5))
            top1.update(acc1[0], image.size(0))
            top5.update(acc5[0], image.size(0))
    print('')

    return top1, top5

def load_model(model_file):
    model = resnet18(pretrained=False)
    state_dict = torch.load(model_file, weights_only=True)
    model.load_state_dict(state_dict)
    model.to("cpu")
    return model

def print_size_of_model(model):
    torch.save(model.state_dict(), "temp.p")
    print("Size (MB):", os.path.getsize("temp.p")/1e6)
    os.remove("temp.p")

def prepare_data_loaders(data_path):
    normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                     std=[0.229, 0.224, 0.225])
    dataset = torchvision.datasets.ImageNet(
        data_path, split="train", transform=transforms.Compose([
            transforms.RandomResizedCrop(224),
            transforms.RandomHorizontalFlip(),
            transforms.ToTensor(),
            normalize,
        ]))
    dataset_test = torchvision.datasets.ImageNet(
        data_path, split="val", transform=transforms.Compose([
            transforms.Resize(256),
            transforms.CenterCrop(224),
            transforms.ToTensor(),
            normalize,
        ]))

    train_sampler = torch.utils.data.RandomSampler(dataset)
    test_sampler = torch.utils.data.SequentialSampler(dataset_test)

    data_loader = torch.utils.data.DataLoader(
        dataset, batch_size=train_batch_size,
        sampler=train_sampler)

    data_loader_test = torch.utils.data.DataLoader(
        dataset_test, batch_size=eval_batch_size,
        sampler=test_sampler)

    return data_loader, data_loader_test

data_path = '~/.data/imagenet'
saved_model_dir = 'data/'
float_model_file = 'resnet18_pretrained_float.pth'

train_batch_size = 30
eval_batch_size = 50

data_loader, data_loader_test = prepare_data_loaders(data_path)
example_inputs = (next(iter(data_loader))[0])
criterion = nn.CrossEntropyLoss()
float_model = load_model(saved_model_dir + float_model_file).to("cpu")
float_model.eval()

# create another instance of the model since
# we need to keep the original model around
model_to_quantize = load_model(saved_model_dir + float_model_file).to("cpu")

将模型设置为评估模式

对于训练后量化，我们需要将模型设置为评估模式。

model_to_quantize.eval()

使用 torch.export 导出模型

以下是您如何使用 torch.export 导出模型的方法

example_inputs = (torch.rand(2, 3, 224, 224),)
# for pytorch 2.6+
exported_model = torch.export.export(model_to_quantize, example_inputs).module()

# for pytorch 2.5 and before
# from torch._export import capture_pre_autograd_graph
# exported_model = capture_pre_autograd_graph(model_to_quantize, example_inputs)

# or capture with dynamic dimensions
# for pytorch 2.6+
dynamic_shapes = tuple(
  {0: torch.export.Dim("dim")} if i == 0 else None
  for i in range(len(example_inputs))
)
exported_model = torch.export.export_for_training(model_to_quantize, example_inputs, dynamic_shapes=dynamic_shapes).module()

# for pytorch 2.5 and before
# dynamic_shape API may vary as well
# from torch._export import dynamic_dim
# exported_model = capture_pre_autograd_graph(model_to_quantize, example_inputs, constraints=[dynamic_dim(example_inputs[0], 0)])

导入后端特定量化器并配置模型量化方式

以下代码片段描述了如何量化模型

from executorch.backends.xnnpack.quantizer.xnnpack_quantizer import (
  get_symmetric_quantization_config,
  XNNPACKQuantizer,
)
quantizer = XNNPACKQuantizer()
quantizer.set_global(get_symmetric_quantization_config())

Quantizer 是后端特定的，每个 Quantizer 都将提供自己的方式来允许用户配置其模型。例如，以下是 XNNPackQuantizer 支持的不同配置 API

quantizer.set_global(qconfig_opt)  # qconfig_opt is an optional quantization config
    .set_object_type(torch.nn.Conv2d, qconfig_opt) # can be a module type
    .set_object_type(torch.nn.functional.linear, qconfig_opt) # or torch functional op
    .set_module_name("foo.bar", qconfig_opt)

注意

请查看我们的教程，其中描述了如何编写新的Quantizer。

准备模型进行训练后量化

prepare_pt2e 将 BatchNorm 运算符折叠到前面的 Conv2d 运算符中，并在模型中适当的位置插入观察器。

prepared_model = prepare_pt2e(exported_model, quantizer)
print(prepared_model.graph)

校准

校准函数在观察器插入模型后运行。校准的目的是运行一些代表工作负载的样本示例（例如训练数据集的样本），以便模型中的观察器能够观察张量的统计信息，我们稍后可以使用这些信息来计算量化参数。

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

将校准后的模型转换为量化模型

convert_pt2e 接受一个校准过的模型并生成一个量化模型。

quantized_model = convert_pt2e(prepared_model)
print(quantized_model)

在此步骤中，我们目前提供两种表示方式供您选择，但长期内我们提供的确切表示方式可能会根据 PyTorch 用户的反馈而改变。

• Q/DQ 表示（默认）

  之前的 表示 文档中，所有量化运算符都表示为 dequantize -> fp32_op -> qauntize。

def quantized_linear(x_int8, x_scale, x_zero_point, weight_int8, weight_scale, weight_zero_point, bias_fp32, output_scale, output_zero_point):
    x_fp32 = torch.ops.quantized_decomposed.dequantize_per_tensor(
             x_i8, x_scale, x_zero_point, x_quant_min, x_quant_max, torch.int8)
    weight_fp32 = torch.ops.quantized_decomposed.dequantize_per_tensor(
             weight_i8, weight_scale, weight_zero_point, weight_quant_min, weight_quant_max, torch.int8)
    weight_permuted = torch.ops.aten.permute_copy.default(weight_fp32, [1, 0]);
    out_fp32 = torch.ops.aten.addmm.default(bias_fp32, x_fp32, weight_permuted)
    out_i8 = torch.ops.quantized_decomposed.quantize_per_tensor(
    out_fp32, out_scale, out_zero_point, out_quant_min, out_quant_max, torch.int8)
    return out_i8

• 引用量化模型表示

  我们将为选定的操作符提供特殊的表示，例如，量化线性层。其他操作符表示为 dq -> float32_op -> q，并且 q/dq 被分解为更原始的操作符。您可以通过使用 convert_pt2e(..., use_reference_representation=True) 来获得此表示。

# Reference Quantized Pattern for quantized linear
def quantized_linear(x_int8, x_scale, x_zero_point, weight_int8, weight_scale, weight_zero_point, bias_fp32, output_scale, output_zero_point):
    x_int16 = x_int8.to(torch.int16)
    weight_int16 = weight_int8.to(torch.int16)
    acc_int32 = torch.ops.out_dtype(torch.mm, torch.int32, (x_int16 - x_zero_point), (weight_int16 - weight_zero_point))
    bias_scale = x_scale * weight_scale
    bias_int32 = out_dtype(torch.ops.aten.div.Tensor, torch.int32, bias_fp32, bias_scale)
    acc_int32 = acc_int32 + bias_int32
    acc_int32 = torch.ops.out_dtype(torch.ops.aten.mul.Scalar, torch.int32, acc_int32, x_scale * weight_scale / output_scale) + output_zero_point
    out_int8 = torch.ops.aten.clamp(acc_int32, qmin, qmax).to(torch.int8)
    return out_int8

有关最新的参考表示，请参阅此处。

检查模型大小和精度评估

现在我们可以将模型大小和模型精度与基准模型进行比较。

# Baseline model size and accuracy
print("Size of baseline model")
print_size_of_model(float_model)

top1, top5 = evaluate(float_model, criterion, data_loader_test)
print("Baseline Float Model Evaluation accuracy: %2.2f, %2.2f"%(top1.avg, top5.avg))

# Quantized model size and accuracy
print("Size of model after quantization")
# export again to remove unused weights
quantized_model = torch.export.export_for_training(quantized_model, example_inputs).module()
print_size_of_model(quantized_model)

top1, top5 = evaluate(quantized_model, criterion, data_loader_test)
print("[before serilaization] Evaluation accuracy on test dataset: %2.2f, %2.2f"%(top1.avg, top5.avg))

注意

目前我们无法进行性能评估，因为模型尚未下沉到目标设备，它只是 ATen 运算符中量化计算的表示。

注意

权重目前仍为 fp32，我们将来可能会对量化操作进行常量传播以获得整数权重。

如果您想获得更好的精度或性能，请尝试以不同的方式配置 quantizer，每个 quantizer 都有其自己的配置方式，因此请查阅您正在使用的量化器的文档，以了解如何更好地控制模型量化。

保存和加载量化模型

我们将展示如何保存和加载量化模型。

# 0. Store reference output, for example, inputs, and check evaluation accuracy:
example_inputs = (next(iter(data_loader))[0],)
ref = quantized_model(*example_inputs)
top1, top5 = evaluate(quantized_model, criterion, data_loader_test)
print("[before serialization] Evaluation accuracy on test dataset: %2.2f, %2.2f"%(top1.avg, top5.avg))

# 1. Export the model and Save ExportedProgram
pt2e_quantized_model_file_path = saved_model_dir + "resnet18_pt2e_quantized.pth"
# capture the model to get an ExportedProgram
quantized_ep = torch.export.export(quantized_model, example_inputs)
# use torch.export.save to save an ExportedProgram
torch.export.save(quantized_ep, pt2e_quantized_model_file_path)


# 2. Load the saved ExportedProgram
loaded_quantized_ep = torch.export.load(pt2e_quantized_model_file_path)
loaded_quantized_model = loaded_quantized_ep.module()

# 3. Check results for example inputs and check evaluation accuracy again:
res = loaded_quantized_model(*example_inputs)
print("diff:", ref - res)

top1, top5 = evaluate(loaded_quantized_model, criterion, data_loader_test)
print("[after serialization/deserialization] Evaluation accuracy on test dataset: %2.2f, %2.2f"%(top1.avg, top5.avg))

输出

[before serialization] Evaluation accuracy on test dataset: 79.82, 94.55
diff: tensor([[0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.],
        ...,
        [0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.]])

[after serialization/deserialization] Evaluation accuracy on test dataset: 79.82, 94.55

调试量化模型

您可以使用 数值套件，它有助于在 Eager 模式和 FX 图模式下进行调试。与 PyTorch 2 导出模型配合使用的新版本数值套件仍在开发中。

下沉与性能评估

此时生成的模型并非在设备上运行的最终模型，它是一个参考量化模型，它以 ATen 运算符和一些额外的量化/反量化运算符的形式捕获了用户预期的量化计算。为了获得在真实设备上运行的模型，我们需要对模型进行下沉。例如，对于在边缘设备上运行的模型，我们可以通过委托和 ExecuTorch 运行时运算符进行下沉。

结论

在本教程中，我们使用 XNNPACKQuantizer 介绍了 PyTorch 2 导出量化中的整体量化流程，并获得了一个量化模型，该模型可以进一步下沉到支持使用 XNNPACK 后端进行推理的后端。要将其用于您自己的后端，请首先遵循教程并为您的后端实现一个 Quantizer，然后使用该 Quantizer 量化模型。