Pytorch量化入门之超分量化（一）

首发：AIWalker
作者:HappyAIWalker
最近Happy在尝试进行图像超分的INT8量化，发现：pytorch量化里面的坑真多，远不如TensorFlow的量化好用。不过花了点时间终于还是用pytorch把图像超分模型完成了量化，以EDSR为例，模型大小73%,推理速度提升40%左右(PC端)，视觉效果几乎无损，定量指标待补充。有感于网络上介绍量化的博客一堆，但真正有帮助的较少，所以Happy会尽量以图像超分为例提供一个完整的可复现的量化示例(分两章内容进行)。

背景

量化在不同领域有不同的定义，而在深度学习领域，量化有两个层面的意义：(1) 存储量化，即更少的bit来存储原本需要用浮点数(一般为FP32)存储的tensor；(2) 计算量化，即用更少的bit来完成原本需要基于浮点数(一般为FP32，FP16现在也是常用的一种)完成的计算。量化一般有这样两点好处：

更小的模型体积，理论上减少为FP32模型的75%左右，从笔者不多的经验来看，往往可以减少73%；
更少的内存访问与更快的INT8计算，从笔者的几个简单尝试来看，一般可以加速40%左右，这个还会跟平台相关。

对于量化后模型而言，其部分或者全部tensor(与量化方式、量化op的支持程度有关)将采用INT类型进行计算，而非量化前的浮点类型。量化对于底层的硬件支持、推理框架等要求还是比较高的，目前X86CPU，ARMCPU，Qualcomm DSP等主流硬件对量化都提供了支持；而NCNN、MACE、MNN、TFLite、Caffe2、TensorRT等推理框架也都对量化提供了支持，不过不同框架的支持度还是不太一样，这个就不细说了，感兴趣的同学可以自行百度一下。
笔者主要用Pytorch进行研发，所以花了点精力对其进行了一些研究&尝试。目前Pytorch已经更新到了1.7版本，基本上支持常见的op，可以参考如下：

Activation：ReLU、ReLU6、Hardswish、ELU；
Normalization：BatchNorm、LayerNorm、GroupNorm、InstanceNorm；
Convolution：Conv1d、Conv2d、Conv3d、ConvTranspose1d、ConvTranspose2d、Linear；
Other：Embedding、EmbeddingBag。

目前Pytorch支持的量化有如下三种方式：

Post Training Dynamic Quantization：动态量化，推理过程中的量化，这种量化方式常见诸于NLP领域，在CV领域较少应用；
Post Training Static Quantization：静态量化，训练后静态量化，这是CV领域应用非常多的一种量化方式；
Quantization Aware Training：感知量化，边训练边量化，一种比静态量化更优的量化方式，但量化时间会更长，但精度几乎无损。

注：笔者主要关注CV领域，所以本文也将主要介绍静态量化与感知量化这种方式。

Tensor量化

要实现量化，那么就不可避免会涉及到tensor的量化，一般来说，量化公式可以描述如下：
目前Pytorch中的tensor支持int8/uint8/int32等类型的数据，并同时scale、zero\_point、quantization\_scheme等量化信息。这里，我们给出一个tensor量化的简单示例：

x = torch.rand(3, 3)  
print(x)  
x = torch.quantize_per_tensor(x, scale=0.2, zero_point=3, dtype=torch.quint8)  
print(x)  
print(x.int_repr())

一个参考输出如下所示：

注1：蓝框为原始的浮点数据，红框为tensor的量化信息，绿框则对应了量化后的INT8数值。
注2：量化不可避免会出现精度损失，这个损失与scale、zero\_point有关。
在量化方面，Tensor一般有两种量化模式：per tensor与per channel。对于PerTensor而言，它的所有数值都按照相同方式进行scale和zero\_point处理；而对于PerChannel而言，它有多种不同的scale和zero\_point参数，这种方式的量化精度损失更少。

Post Training Static Quantization

静态量化一般有两种形式：（1）仅weight量化；(2) weight与activation同时量化。对于第一种“仅weight量化”而言，只针对weight量化可以使得模型参数所占内存显著减小，但在实际推理过程中仍需要转换成浮点数进行计算；而第二种“weight与activation同时量化”则不仅对weight进行量化，还需要结合校验数据进行activation的量化。第一种的量化非常简单，这里略过，本文仅针对第二种方式进行介绍。
Pytorch的静态量化一把包含五个步骤：

fuse\_model：该步骤用来对可以融合的op进行融合，比如Conv与BN的融合、Conv与ReLU的融合、Conv与BN以及ReLU的融合、Linear与BN的融合、Linear与BN以及ReLU的融合。目前Pytorch已经内置的融合code：

fuse_modules(model, modules_to_fuse, inplace=False, fuser_func=fuse_known_modules, fuse_custom_config_dict=None)

在完成融合后，第一个op将被替换会融合后的op，而其他op则会替换为

nn.Identity。

qconfig：该步骤用于设置用于模型量化的方式，它将插入两个observer，一个用于监测activation，一个用于监测weight。考虑到推理平台的不同，pytorch提供了两种量化配置：针对x86平台的fbgemm以及针对arm平台的qnnpack。

不同平台的量化配置方式存在些微的区别，大概如下：

Prepare:该步骤用于给每个支持量化的模块插入Observer，用于收集数据并进行量化数据分析。以activation为例，它将根据所喂入数据统计min\_val与max\_val，一般观察几个次迭代即可，然后根据所观察到数据进行统计分析得到scale与zero\_point。
Feed Data：为了更好的获得activation的量化参数信息，我们需要一个合适大小的校验数据，并将其送入到前述模型中。这个就比较简单了，就按照模型验证方式往里面送数据就可以了。
Convert：在完成前述四个步骤后，接下来就需要将完成量化的模型转换为量化后模型了，这个就比较简单了，通过如下命令即可。

torch.quantization.convert(model, inplace=True)

该过程本质上就是用量化OP替换模型中的费量化OP，比如用nnq.Conv2d替换nn.Conv2d, nnq.ConvReLU2d替换nni.ConvReLU2d(注：这是Conv与ReLU的合并)。之前的量化op以及对应的被替换op列表如下：

DEFAULT_STATIC_QUANT_MODULE_MAPPINGS = {  
    QuantStub: nnq.Quantize,  
    DeQuantStub: nnq.DeQuantize,  
    nn.BatchNorm2d: nnq.BatchNorm2d,  
    nn.BatchNorm3d: nnq.BatchNorm3d,  
    nn.Conv1d: nnq.Conv1d,  
    nn.Conv2d: nnq.Conv2d,  
    nn.Conv3d: nnq.Conv3d,  
    nn.ConvTranspose1d: nnq.ConvTranspose1d,  
    nn.ConvTranspose2d: nnq.ConvTranspose2d,  
    nn.ELU: nnq.ELU,  
    nn.Embedding: nnq.Embedding,  
    nn.EmbeddingBag: nnq.EmbeddingBag,  
    nn.GroupNorm: nnq.GroupNorm,  
    nn.Hardswish: nnq.Hardswish,  
    nn.InstanceNorm1d: nnq.InstanceNorm1d,  
    nn.InstanceNorm2d: nnq.InstanceNorm2d,  
    nn.InstanceNorm3d: nnq.InstanceNorm3d,  
    nn.LayerNorm: nnq.LayerNorm,  
    nn.LeakyReLU: nnq.LeakyReLU,  
    nn.Linear: nnq.Linear,  
    nn.ReLU6: nnq.ReLU6,  
    # Wrapper Modules:  
    nnq.FloatFunctional: nnq.QFunctional,  
    # Intrinsic modules:  
    nni.BNReLU2d: nniq.BNReLU2d,  
    nni.BNReLU3d: nniq.BNReLU3d,  
    nni.ConvReLU1d: nniq.ConvReLU1d,  
    nni.ConvReLU2d: nniq.ConvReLU2d,  
    nni.ConvReLU3d: nniq.ConvReLU3d,  
    nni.LinearReLU: nniq.LinearReLU,  
    nniqat.ConvBn1d: nnq.Conv1d,  
    nniqat.ConvBn2d: nnq.Conv2d,  
    nniqat.ConvBnReLU1d: nniq.ConvReLU1d,  
    nniqat.ConvBnReLU2d: nniq.ConvReLU2d,  
    nniqat.ConvReLU2d: nniq.ConvReLU2d,  
    nniqat.LinearReLU: nniq.LinearReLU,  
    # QAT modules:  
    nnqat.Linear: nnq.Linear,  
    nnqat.Conv2d: nnq.Conv2d,  
}

在完成模型量化后，我们就要考虑量化模型的推理了。其实量化模型的推理与浮点模型的推理没什么本质区别，最大的区别有这么两点：

量化节点插入：需要在网络的forward里面插入QuantStub与DeQuantSub两个节点。一个非常简单的参考示例，摘自torchvision.model.quantization.resnet.py。

class QuantizableResNet(ResNet):  
  
    def __init__(self, *args, **kwargs):  
        super(QuantizableResNet, self).__init__(*args, **kwargs)  
  
        self.quant = torch.quantization.QuantStub()  
        self.dequant = torch.quantization.DeQuantStub()  
  
    def forward(self, x):  
        x = self.quant(x)  
        # Ensure scriptability  
        # super(QuantizableResNet,self).forward(x)  
        # is not scriptable  
        x = self._forward_impl(x)  
        x = self.dequant(x)  
        return x

op替换：需要将模型中的Add、Concat等操作替换为支持量化的FloatFunctional，可参考如下示例。

class QuantizableBasicBlock(BasicBlock):  
    def __init__(self, *args, **kwargs):  
        super(QuantizableBasicBlock, self).__init__(*args, **kwargs)  
        self.add_relu = torch.nn.quantized.FloatFunctional()  
  
    def forward(self, x):  
        identity = x  
  
        out = self.conv1(x)  
        out = self.bn1(out)  
        out = self.relu(out)  
  
        out = self.conv2(out)  
        out = self.bn2(out)  
  
        if self.downsample is not None:  
            identity = self.downsample(x)  
  
        out = self.add_relu.add_relu(out, identity)  
  
        return out

背景

Tensor量化

Post Training Static Quantization

推荐阅读

推荐阅读

目录