量化(Quantization)#

备注

常见神经网络模型所用的 Tensor 数据类型 一般是 float32 类型, 而工业界出于对特定场景的需求,需要把模型转换为像 int8 这样的低精度/比特类型 —— 整个过程被称为量化(Quantization)。

flowchart LR FM[Float Model] -- processing --> QM[Quantized Model]

通常以浮点模型为起点,经过中间的量化处理后最终变成量化模型#

  • 量化能将 32 位的浮点数转换成 8 位甚至是 4 位定点数,具有更少的运行时内存和缓存要求; 另外由于大部分的硬件对于定点运算都有特定的优化,所以在运行速度上也会有较大的提升。 相较于普通模型, 量化模型有着更小的内存容量与带宽占用、更低的功耗和更快的推理速度等优点。

  • 某些计算设备只支持做定点运算。为了让模型可以在这些设备上正常运行,我们需要进行量化处理。

“为了追求极致的推理计算速度,从而舍弃了数值表示的精度”,直觉上会带来较大的模型掉点, 但是在通过一系列精妙的量化处理之后,其掉点可以变得微乎其微,并能支持正常的部署使用。

用户无需了解背后的实现细节,使用 MegEngine 的 quantization 所提供的解决方案,就能满足基本量化需求。 我们为感兴趣的用户提供了更多有关量化基本原理的介绍,可参考 量化方案原理讲解

熟悉基本原理的用户可直接跳转到 Megengine 量化步骤 ↩ 查看基本用法。

警告

请不要将 “量化” 与 “混合精度(Mixed precision)” 混淆,可参考 自动混合精度(AMP) 文档。

量化基本流程介绍#

目前工业界主要应用有两类量化技术,在 MegEngine 中都进行了支持:

  • 训练后量化(Post-Training Quantization, PTQ);

  • 量化感知训练(Quantization-Aware Training, QAT)。

训练后量化是将已经训练好的浮点模型转换成低精度/比特模型所使用的通用技术,常见的做法是对模型的权重(weight)和激活值(activation)进行处理, 将它们转换成精度更低的类型。在转换过程中,需要用到待量化模型中权重和激活的一些统计信息,如缩放因子(scale)和零点(zero_point)。 尽管精度转换发生在训练后,但为了获取这些统计信息,我们仍需要在模型训练时 —— 即前向计算的过程中,插入一名观察者(Observer)。

使用训练后量化技术,会导致量化后的模型掉点(即预测正确率下降)。严重情况下会导致量化模型不可用。 一种可行的做法是使用小批量数据来在量化前对 Observer 进行校准(Calibration),也叫 Calibration 后量化。

另一种可行的改善方案是使用量化感知训练技术,向浮点模型中插入一些伪量化(FakeQuantize)算子作为改造, 在训练时伪量化算子会根据 Observer 观察到的信息进行量化模拟, 即模拟计算过程中数值截断后精度降低的情形,先做一遍数值转换,再将转换后的值还原成原类型。 这样可以让被量化对象在训练时 “提前适应” 量化操作,缓解在训练后量化时带来的掉点影响。

新增的 FakeQuantize 算子会引入大量的训练开销,为了节省总用时,模型量化更通常的思路是:

  1. 按照平时训练模型的流程,设计好 Float 模型并进行训练(等同于得到一个预训练模型);

  2. 插入 Observer 和 FakeQuantize 算子,得到 Quantized-Float 模型(简称 QFloat 模型),量化感知训练;

  3. 进行训练后量化,得到真正的 Quantized 模型(简称 Q 模型),即最终被用作推理的低比特模型。

flowchart LR FM[Float Model] --> |train| PFM[Pre-trained Float Model] PFM --> |Observer| PQFM[Pre-trained QFloat Model] PFM --> |FakeQuantize| PQFM PQFM --> |QAT| FQFM[Fine-tuned QFloat Model] FQFM --> |PTQ| QM[Q Model]

此时的量化感知训练 QAT 可被看作是在预训练好的 QFloat 模型上微调(Fine-tune),同时做了校准#

备注

根据实际情景的一些差异,量化流程可以有灵活的变化,例如:

  • 在不考虑训练开销的情况下,为了简化整体流程,可以直接构造 QFloat 模型,并进行训练与后量化:

    flowchart LR FM[Float Model] --> |Observer| QFM[QFloat Model] FM[Float Model] --> |FakeQuantize| QFM[QFloat Model] QFM --> |QAT| TQFM[trained QFloat Model] TQFM --> |PTQ| QM[Q Model]
  • 在构造 QFloat 模型时,如果不插入 FakeQuantize 算子,也可以相应地减少训练开销,提升速度。

    但是这时等同于未进行量化感知,只进行了数据校准 Calibration, 模型可能会掉点严重:

    flowchart LR PFM[Pre-trained Float Model] --> |Observer| PQFM[Pre-trained QFloat Model] PFM[Pre-trained Float Model] -.- |FakeQuantize| PQFM[Pre-trained QFloat Model] PQFM --> |Calibration| CQFM[Calibrated QFloat Model] CQFM --> |PTQ| QM[Q Model]

对于上述不同情景,在 MegEngine 中可以使用一套统一的接口来对不同的情况进行灵活配置。

Megengine 量化步骤#

在 MegEngine 中,最上层的量化接口是配置如何量化的 QConfig 和模型转换模块里的 quantize_qatquantize . 通过配置 QConfig 中所使用的 Observer 和 FakeQuantize 算子,我们可以对量化方案进行自定义。 进一步的说明请参考 量化配置 QConfig 说明 小节,下面将展示 QAT 量化流程所需的步骤:

import megengine.quantization as Q

model = ... # The pre-trained float model that needs to be quantified

Q.quantize_qat(model, qconfig=Q.ema_fakequant_qconfig) # EMA is a built-in QConfig for QAT

for _ in range(...):
    train(model)

Q.quantize(model)
  1. 使用 Module 定义模型结构 ,并按照正常的浮点模型方式进行训练,得到预训练模型;

  2. 使用 quantize_qat 将 Float 模型转换为 QFloat 模型, 这一步会基于量化配置 QConfig 设置好 Observer 和 FakeQuantize 算子 (在 MegEngine 中提供了常见的 QConfig 预设, 这里使用了 EMA 算法);

  3. 使用 QFloat 模型继续训练(微调),此时 Obersever 统计信息, FakeQuantize 进行伪量化;

  4. 使用 quantize 将 QFloat 模型转换为 Q 模型,这一步也叫 “真量化”(相较于伪量化)。 此时网络无法再进行训练,网络中的算子都会转换为低比特计算方式,即可用于部署了。

flowchart LR PFM[Pre-trained Float Model] --> |quantize_qat| QFM[Pre-trained QFloat Model] QFM --> |train| FQFM[Fine-tuned QFloat Model] FQFM --> |quantize| QM[Q Model]

此处为标准量化流程,实际使用时也可有灵活的变化#

参见

  • 我们也可以使用 Calibration 后量化方案,需准备校准数据集(参考代码示范);

  • MegEngine 的量化模型可被直接导出用于推理部署,参考 导出序列化模型文件(Dump)

完整的 MegEngine 模型量化代码示范可在 official/quantization 找到。

备注

从宏观上看,量化是在 Model 级别之间的转换操作,但掰开细节,则都是对 Module 的处理。

对应 Float, QFloat 和 Q Model, MegEngine 中的 Module 可被整理成以下三种:

  1. 进行正常浮点运算的默认 Module (也即 Float Module )

  2. 带有 Observer 和 FakeQuantize 算子的 qat.QATModule

  3. 无法训练、专门用于部署的 quantized.QuantizedModule

对于其中比较常见的可以被量化的算子,分别有同名的实现如 ——

对 Module 的处理用户无需感知,通过调用模型转换接口 quantize_qatquantize, 框架会完成相应算子的批量替换操作,感兴趣的用户可以阅读相应的源码逻辑, 在 模型转换模块与相关基类 小节中也会进行更具体的介绍。

量化配置 QConfig 说明#

QConfig 包括 ObserverFakeQuantize 两部分,用户可 1.使用预设 2.自定义配置。

flowchart LR FM[Float Model] --> QC{QConfig} QC -.- |Observer| QFM[QFloat Model] QC -.- |FakeQuantize| QFM[QFloat Model]

使用预设配置#

MegEngine 中提供了类似 ema_fakequant_qconfig 这样的预设,可用作 quantize_qatqconfig:

>>> import megengine.quantization as Q
>>> Q.quantize_qat(model, qconfig=Q.ema_fakequant_qconfig)

实际上它等同于使用以下 Qconfig (以下即源码写法),以进行量化感知训练:

ema_fakequant_qconfig = QConfig(
    weight_observer=partial(MinMaxObserver, dtype="qint8", narrow_range=True),
    act_observer=partial(ExponentialMovingAverageObserver, dtype="qint8", narrow_range=False),
    weight_fake_quant=partial(FakeQuantize, dtype="qint8", narrow_range=True),
    act_fake_quant=partial(FakeQuantize, dtype="qint8", narrow_range=False),
)

这里使用了两种 Observer 来统计信息,而 FakeQuantize 使用了默认的算子。

如果仅做后量化,或者说 Calibration, 由于无需进行 FakeQuantize, 故而其 fake_quant 属性为 None 即可:

calibration_qconfig = QConfig(
    weight_observer=partial(MinMaxObserver, dtype="qint8", narrow_range=True),
    act_observer=partial(HistogramObserver, dtype="qint8", narrow_range=False),
    weight_fake_quant=None,
    act_fake_quant=None,
)

参见

  • 这里的 calibration_qconfig 也是可以直接使用的 Qconfig 预设配置;

  • 所有可用的 Qconfig 预设可以在 量化 API 参考 中找到。

自定义 Observer 和 FakeQuantize#

除了使用预设配置,用户也可以根据需要灵活选择 Observer 和 FakeQuantize, 实现自己的 QConfig.

参见

备注

在实际使用过程中,可能需要在训练时让 Observer 统计并更新参数,但是在推理时则停止更新。 Observer 和 FakeQuantize 自身都支持 enabledisable 方法,且 Observer 会在模型调用 traineval 方法时自动分别调用对应的 Observer.enable/disable 方法。

一般在进行数据校准时,会先执行 net.eval() 保证网络的参数不被更新, 然后再调用 enable_observer 函数来手动开启 Module 中 Observer 的统计修改功能 (即先全局关闭,再开启特定的部分):

def calculate_scale(data, target):
    model.eval()  # all model observers are disabled now
    enable_observer(model)
    ...

注意这些开关处理都是递归进行的。类似接口还有 disable_observer, enable_fake_quant, disable_fake_quant 等,可在 量化操作 中找到。

模型转换模块与相关基类#

QConfig 提供了一系列如何对模型做量化的接口,而要使用这些接口, 需要网络的 Module 能够在 forward 时给权重、激活值加上 Observer 和进行 FakeQuantize. 转换模块的作用就是将模型中的普通 Module 替换为支持这一系列操作的 QATModule , 并能支持进一步替换成无法训练、专用于部署的 QuantizedModule .

这三种 Module 与 Model 对应,通过转换接口可以依次替换为不同实现的同名 Module.

flowchart LR M[module.Conv2d] -- quantize_qat --> QATM[module.qat.Conv2d] -- quantize --> QM[module.quantized.Conv2d]

以 Conv2d 为例,从 Moudle 到 QATModule 再到 QuantizedModule.#

同时考虑到量化与推理优化时常用的算子融合(Fuse)技术高度关联,MegEngine 中提供了一系列预先融合好的 Module, 比如 ConvRelu2dConvBn2dConvBnRelu2d 等。 显式地使用融合算子可以保证过程更加可控,其对应的 QuantizedModule 版本都会直接调用底层实现好的融合算子; 否则框架需要自己根据网络结构进行自动匹配和融合优化。 这样实现的缺点在于用户在使用时需要修改原先的网络结构,使用融合好的 Module 搭建网络。 而好处则是用户能更直接地控制网络如何转换,比如同时存在需要融合和不需要融合的 Conv 算子, 相比提供一个冗长的白名单,我们更倾向于在网络结构中显式地控制;而一些默认会进行转换的算子, 也可以通过 disable_quantize 方法来控制其不进行转换(下面有举例)。

除此之外还提供专用于量化的 QuantStubDequantStub 等辅助模块。

转换的原理很简单,就是将父 Module 中可被量化(Quantable)的子 Module 替换为对应的新 Module. 但是有一些 Quantable Module 还包含 Quantable 子 Module,比如 ConvBn 就包含一个 Conv2d 和一个 BatchNorm2d, 转换过程并不会对这些子 Module 进一步转换,原因是父 Module 被替换之后, 其 forward 计算过程已经完全不同了,不会再依赖于这些子 Module.

备注

如果需要使一部分 Module 及其子 Module 保留 Float 状态,不进行转换, 可以使用 disable_quantize 来处理。 比如当你发现对 fc 层进行量化后,模型会掉点,则可以关闭该层的量化处理:

>>> model.fc.disable_quantize()

该接口也可以被当作装饰器进行使用,方便对多个 Module 进行处理。

警告

如果网络结构中涉及一些二元及以上的 ElementWise 操作符,比如加法乘法等, 由于多个输入各自的 scale 并不一致,必须使用量化专用的算子,并指定好输出的 scale. 实际使用中只需要把这些操作替换为 Elemwise 即可, 比如 self.add_relu = Elemwise("FUSE_ADD_RELU")

目前支持的量化 Elemwise 算子可在 dnn/scripts/opr_param_defs.py 中找到:

pdef('ElemwiseMultiType').add_enum(
    'Mode',
    # ...
    Doc('QFUSE_ADD_RELU = 7', 'Fused elemwise add two quantized int8 followed'
        ' by ReLU and typecvt to specified dtype'),
    # ...
)

注意:在量化模型过程中,使用 Elemwise 算子不用加上前置 Q.

另外由于转换过程修改了原网络结构,模型保存与加载无法直接适用于转换后的网络, 读取新网络保存的参数时,需要先调用转换接口得到转换后的网络, 才能用 load_state_dict 将参数进行加载。

ResNet 实例讲解#

下面我们以 ResNet18 为例来讲解量化的完整流程。主要分为以下几步:

  1. 修改网络结构,使用已经融合好的 ConvBn2d、ConvBnRelu2d、ElementWise 代替原先的 Module. 在正常模式下预训练模型,并在每轮迭代保存网络检查点;

  2. 调用 quantize_qat 转换模型,并进行量化感知训练微调(或校准,取决于 QConfig);

  3. 调用 quantize 转换为量化模型,导出模型用于后续模型部署。

参见

这里对代码进行了简化,完整的 MegEngine 官方量化示例代码见: official/quantization

训练 Float 模型#

我们修改了模型结构中的一些子 Module, 将原先单独的 Conv, BN, ReLU 替换为融合后的可被量化的 Module.

BasicBlock 模块的修改前后作为例子对比:

class BasicBlock(M.Module):
      def __init__(self, in_channels, channels):
         super().__init__()
         self.conv1 = M.Conv2d(in_channels, channels, 3, 1, padding=dilation, bias=False)
         self.bn1 = M.BatchNorm2d
         self.conv2 = M.Conv2d(channels, channels, 3, 1, padding=1, bias=False)
         self.bn2 = M.BatchNorm2d
         self.downsample = (
            M.Identity()
            if in_channels == channels and stride == 1
            else M.Sequential(
            M.Conv2d(in_channels, channels, 1, stride, bias=False)
            M.BatchNorm2d
         )

      def forward(self, x):
         identity = x
         x = F.relu(self.bn1(self.conv1(x)))
         x = self.bn2(self.conv2(x))
         identity = self.downsample(identity)
         x = F.relu(x + identity)
         return x
class BasicBlock(M.Module):
      def __init__(self, in_channels, channels):
         super().__init__()
         self.conv_bn_relu1 = M.ConvBnRelu2d(in_channels, channels, 3, 1, padding=dilation, bias=False)
         self.conv_bn2 = M.ConvBn2d(channels, channels, 3, 1, padding=1, bias=False)
         self.downsample = (
            M.Identity()
            if in_channels == channels and stride == 1
            else M.ConvBn2d(in_channels, channels, 1, 1, bias=False)
         )
         self.add_relu = M.Elemwise("FUSE_ADD_RELU")

      def forward(self, x):
         identity = x
         x = self.conv_bn_relu1(x)
         x = self.conv_bn2(x)
         identity = self.downsample(identity)
         x = self.add_relu(x, identity)
         return x

然后对该模型进行若干轮迭代训练,并保存检查点,这里省略细节:

for step in range(0, total_steps):
    # Linear learning rate decay
    epoch = step // steps_per_epoch
    learning_rate = adjust_learning_rate(step, epoch)

    image, label = next(train_queue)
    image = tensor(image.astype("float32"))
    label = tensor(label.astype("int32"))

    n = image.shape[0]

    loss, acc1, acc5 = train_func(image, label, net, gm)  # traced
    optimizer.step().clear_grad()

    # Save checkpoints

转换成 QFloat 模型#

调用 quantize_qat 来将网络转换为 QFloat 模型:

from megengine.quantization import ema_fakequant_qconfig, quantize_qat

model = ResNet18()

# QAT
quantize_qat(model, ema_fakequant_qconfig)

# Or Calibration:
# quantize_qat(model, calibration_qconfig)

读取预训练 Float 模型保存的检查点,继续使用上面相同的代码进行微调 / 校准。

if args.checkpoint:
    logger.info("Load pretrained weights from %s", args.checkpoint)
    ckpt = mge.load(args.checkpoint)
    ckpt = ckpt["state_dict"] if "state_dict" in ckpt else ckpt
    model.load_state_dict(ckpt, strict=False)

# Fine-tune / Calibrate with new traced train_func
# Save checkpoints

最后也需要保存此时 QFloat 模型的检查点,以便在测试和推理进行 QFloat 模型的加载和转换。

警告

  • 需要将原始 Float 模型转换为 QFloat 模型之后再加载检查点;

  • 如果这两次训练全在同一个脚本中执行,那么训练的 traced 函数需要用不一样的, 因为此时模型的参数变化了,需要重新进行编译。

转换成 Q 模型#

将 QFloat 模型转换为 Q 模型并导出,共包括以下几步:

from megengine.quantization import quantize

@jit.trace(capture_as_const=True)
def infer_func(processed_img):
    model.eval()
    logits = model(processed_img)
    probs = F.softmax(logits)
    return probs

quantize(model)

processed_img = transform.apply(image)[np.newaxis, :]
processed_img = processed_img.astype("int8")
probs = infer_func(processed_img)

infer_func.dump(output_file, arg_names=["data"])
  1. 定义 trace 函数,打开 capture_as_const 以进行模型导出;

  2. 调用 quantize 将 QAT 模型转换为 Quantized 模型;

  3. 准备数据并执行一次推理,调用 dump 将模型导出。

至此便得到了一个可用于部署的量化模型。

参见