通过 Inductor 使用 X86 后端进行 PyTorch 2 导出量化¶
作者：Leslie Fang、魏文夏、宫炯、张杰瑞
先决条件¶
介绍¶
本教程介绍了利用 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 图之上执行量化转换。这种方法预计将显著提高模型覆盖率，改善可编程性，并简化用户体验。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。
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 CNN 模型，如 ResNet-50。动态量化更适用于 NLP 模型，如 RNN 和 BERT。有关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 导出机制，从即时模式（eager）模型中捕获 FX 图。
步骤 2：基于捕获的 FX 图应用量化流程，包括定义后端特定的量化器，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 Inductor 中。
这个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
结合 PyTorch 2 导出中的量化和 TorchInductor，我们通过新的量化前端获得了灵活性和生产力，并通过编译器后端获得了出色的开箱即用性能。特别是在英特尔第四代 (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性能。
训练后量化¶
现在，我们将通过一个分步教程，向您展示如何将它与 torchvision resnet18 模型 一起用于训练后量化。
1. 捕获 FX 图¶
我们将首先执行必要的导入，从即时模式（eager）模块中捕获 FX 图。
import torch
import torchvision.models as models
import copy
from torchao.quantization.pt2e.quantize_pt2e import prepare_pt2e, convert_pt2e
import torchao.quantization.pt2e.quantizer.x86_inductor_quantizer as xiq
from torchao.quantization.pt2e.quantizer.x86_inductor_quantizer import X86InductorQuantizer
from torch.export import export
# 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():
# Note: requires torch >= 2.6
exported_model = export(
model,
example_inputs
)
接下来，我们将拥有要量化的 FX 模块。
2. 应用量化¶
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。
当矢量神经网络指令不可用时，oneDNN 后端会静默选择假设乘法是 7 位 x 8 位的内核。换句话说，在没有矢量神经网络指令的 CPU 上运行时，可能会发生潜在的数值饱和和精度问题。
量化配置默认用于静态量化。要应用动态量化，获取配置时请添加参数 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，在观察器插入模型后，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 接受一个校准过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，我们完成了量化流程，将获得量化模型。
3. 降低到 Inductor 中¶
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 包装器生成 Python 代码来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无缝集成，有效减少 Python 开销。未来，利用 C++ 包装器，我们可以扩展能力以实现纯 C++ 部署。有关 C++ 包装器的更全面详细信息，请参阅Inductor C++ Wrapper 教程中的专用教程。
# 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点式运算符传播，有效最小化内存使用并潜在地提高性能。此功能的使用与常规 BFloat16 Autocast 类似，只需将脚本包装在 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，我们将得到一个示例代码。请注意，由于 Inductor 的 freeze 功能尚未默认开启，请使用 TORCHINDUCTOR_FREEZING=1 运行您的示例代码。
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 模型都已进行测量，并证明与 Inductor FP32 推理路径相比有效。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 导出量化感知训练 (QAT) 现在支持在 X86 CPU 上使用 X86InductorQuantizer，随后将量化模型降低到 Inductor 中。为了更深入地了解 PT2 导出量化感知训练，我们建议参考专门的PyTorch 2 导出量化感知训练。
PyTorch 2 导出 QAT 流程与 PTQ 流程大致相似
import torch
from torch._export import capture_pre_autograd_graph
from torchao.quantization.pt2e.quantize_pt2e import (
prepare_qat_pt2e,
convert_pt2e,
)
from torch.export import export
import torchao.quantization.pt2e.quantizer.x86_inductor_quantizer as xiq
from torchao.quantization.pt2e.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 = export(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()`
torchao.quantization.pt2e.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 功能未默认启用。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¶
本教程介绍了如何在 PyTorch 2 量化中使用 Inductor 与 X86 CPU。用户可以了解如何使用 X86InductorQuantizer 量化模型并将其降低到 X86 CPU 设备上的 Inductor 中。
