Pytorch量化入门之超分量化（二）

来源：AIWalker

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。

在前面的文章中，笔者对Pytorch的“Post Training Static Quantization，PTSQ”进行了原理性的介绍。接下来，我们将以EDSR这个图像超分网络为例进行说明。

准备工作

在真正开始量化之前，我们需要准备好要进行量化的模型，本文以EDSR-baseline模型为基础进行。所以大家可以直接下载官方预训练模型，EDSR的Pytorch官方实现code连接如下：

github.com/thstkdgus35/EDSR-PyTorch

EDSRx4-baseline预训练模型下载连接如下：

https://cv.snu.ac.kr/research/EDSR/models/edsr_baseline_x4-6b446fab.pt

除了要准备上述预训练模型与code外，我们还需要准备校验数据，在这里笔者采用的DIV2K数据，该数据集下载链接如下：

https://cv.snu.ac.kr/research/EDSR/DIV2K.tar

模型转换

正如上一篇文章所介绍的，在量化之前需要对模型进行op融合操作，而EDSR官方的实现code是对于融合操作是不太方便的，所以笔者对EDSR进行了一些实现上的调整。调整成如下形式(注：这里的实现code部分参数写成了固定参数)：

class ResBlock(nn.Module):    def __init__(self, channels=64):        super(ResBlock, self).__init__()        self.conv1 = nn.Conv2d(channels, channels, 3, 1, 1)        self.relu = nn.ReLU(inplace=True)        self.conv2 = nn.Conv2d(channels, channels, 3, 1, 1)

    def forward(self, x):        identity = x        conv1 = self.conv1(x)        relu = self.relu(conv1)        conv2 = self.conv2(relu)

        output = conv2 + identity        return output

class EDSR(nn.Module):    def __init__(self,                 num_blocks=16,                 num_features=64,                 block=ResBlock):        super(EDSR, self).__init__()        self.head = nn.Conv2d(3, num_features, 3, 1, 1)        body = [            block(num_features) for _ in range(num_blocks)        ]        body.append(nn.Conv2d(num_features, num_features, 3, 1, 1))        self.body = nn.Sequential(*body)        self.tail = nn.Sequential(            nn.Conv2d(num_features, num_features * 4, 3, 1, 1),            nn.PixelShuffle(upscale_factor=2),            nn.Conv2d(num_features, num_features * 4, 3, 1, 1),            nn.PixelShuffle(upscale_factor=2),            nn.Conv2d(num_features, 3, 3, 1, 1)        )

    def forward(self, x, **kwargs):        x = self.head(x)        res = self.body(x)        res += x        x = self.tail(res)        return x

也许有同学会说，模型转换后原始的预训练模型还能导入吗？直接导入肯定是不行的，checkpoint的key发生了变化，所以我们需要对下载的checkpoint进行一下简单的转换。checkpoint的转换code如下（注：这些转换可以都是写死的，已经确认过的）：

checkpoint = torch.load('edsr_baseline_x4-6b446fab.pt', map_location='cpu')
newStateDict = OrderedDict()

for key, val in checkpoint.items():
    if 'head' in key:
        newStateDict[key.replace('.0.', '.')] = val
    elif 'mean' in key:
        continue
        # newStateDict[key] = val
    elif 'tail' in key:
        if '.0.0.' in key:
            newStateDict[key.replace('.0.0.', '.0.')] = val
        elif '.0.2.' in key:
            newStateDict[key.replace('.0.2.', '.2.')] = val
        else:
            newStateDict[key.replace('.1.', '.4.')] = val
    elif 'body' in key:
        if '.body.0.' in key:
            newStateDict[key.replace('.body.0.', '.conv1.')] = val
        elif '.body.2.' in key:
            newStateDict[key.replace('.body.2.', '.conv2.')] = val
        elif '16' in key:
            newStateDict[key] = val
torch.save(newStateDict, 'edsr-baseline-fp32.pth.tar')

对比原始code的同学应该会发现：EDSR中的add_mean与sub_mean不见了。是的，笔者将add_mean与sub_mean移到了网络外面，不对其进行量化，具体为什么这样做，见后面的介绍。

除了上述操作外，我们还需要提供前述EDSR实现的量化版本模型，这个没太多需要介绍的，直接看code(主要体现在三点：插入量化节点(即QuantStub与DequantStub)、add转换(即FloatFunctional)、fuse_model模块(即fuse_model函数))：

class QuantizableResBlock(ResBlock):    def __init__(self, *args, **kwargs):        super(QuantizableResBlock, self).__init__(*args, **kwargs)        self.add = FloatFunctional()

    def forward(self, x):        identity = x

        conv1 = self.conv1(x)        relu = self.relu(conv1)        conv2 = self.conv2(relu)

        output = self.add.add(identity, conv2)        return output

    def fuse_model(self):        fuse_modules(self, ['conv1', 'relu'], inplace=True)

class QuantizableEDSR(EDSR):    def __init__(self, *args, **kwargs):        super(QuantizableEDSR, self).__init__(*args, **kwargs)

        self.quant = QuantStub()        self.dequant = DeQuantStub()        self.add = FloatFunctional()

    def forward(self, x):        x = self.quant(x)        x = self.head(x)        res = self.body(x)        res = self.add.add(res, x)        x = self.tail(res)        x = self.dequant(x)        return x

    def fuse_model(self):        for m in self.modules():            if type(m) == QuantizableResBlock:                m.fuse_model()

模型量化

在上一篇文章中，我们也介绍了PTSQ的几个步骤（额外包含了模型的构建与保存）。

  • init: 模型的定义、预训练模型加载、inplace操作替换为非inplace操作；
  • config：定义量化时的配置方式，这里以fbgemm为例，它的activation量化方式为Historam，weight量化方式为per_channel；
  • fuse：模型中的op融合，比如相邻的Conv+ReLU融合，Conv+BN+ReLU融合等等；
  • prepare: 量化前的准备工作，也就是对每个需要进行量化的op插入Observer；
  • feed: 送入校验数据，前面插入的Observer会针对这些数据进行量化前的信息统计;
  • convert：用于在将非量化op转换成量化op，比如将nn.Conv2d转换成nnq.Conv2d，同时会根据Observer所观测的信息进行nnq.Conv2d中的量化参数的统计，包含scale、zero_point、qweight等；
  • save：用于保存量化好的模型参数.

Init

模型的创建与预训练模型，这个比较简单了，直接上code（注：PTSQ模式下模型应当是eval模式）。

checkpoint = torch.load('edsrx4-baseline-fp32.pth.tar')
model = QuantizableEDSR(block=QuantizableResBlock)
model.load_state_dict(checkpoint)
_replace_relu(model)
model.eval()

config

这个步骤主要是为了指定与推理引擎搭配的一些量化方式，比如X86平台应该采用fbgemm方式进行量化，而ARM平台则应当采用qnnpack方式量化。本文主要是在PC端进行，所以选择了fbgemm进行，相关配置信息如下：

backend = 'fbgemm'torch.backends.quantized.engine = backendmodel.qconfig = torch.quantization.QConfig(    activation=default_histogram_observer,                            weight=default_per_channel_weight_observer)

Fuse&Prepare

Fuse与Prepare两个步骤的作用主要是

  • 进行OP的融合，比如Conv+ReLU的融合，Conv+BN+ReLU的融合，这个可以见前述实现code中的'fuse_model'，pytorch目前提供了几种类型的融合。我们只需知道就可以了，这块不用太过关心，两行code就可以完成：
model.fuse_model()
torch.quantization.prepare(model, inplace=True)
  • 插入Observer，在每个需要进行量化的op中插入Observer，不同的量化方式会有不同的Observer，它将对喂入的校验数据进行统计，比如统计数据的最大值、最小值、直方图分布等等。

Feed

这个步骤需要采用校验数据喂入到上述准备好的模型中，这个就比较简单了，按照常规模型的测试方式处理就可以了，参考code如下：

注：笔者这里用了100张数据，这个用全部也可以，不过耗时会更长meanBGR = torch.FloatTensor((0.4488, 0.4371, 0.4040)).view(3, 1, 1) * 255data_root = '${DIV2K_train_LR_bicubic/X4}'for index in range(1, 100):    image_path = os.path.join(data_root, f'{index:04d}.png')    inputs = preprocess(image_path)    inputs -= meanBGR

    with torch.no_grad():        output = model(inputs)

Convert&Save

在完成前面几个步骤后，我们就可以将浮点类型的模型进行量化了，这个只需要一行code就可以。在转换过程中，它会将nn.Conv2d这类浮点类型op转换成量化版op：nnq.Conv2d。

torch.quantization.convert(model, inplace=True)
torch.save(model.state_dict(), 'edsrx4-baseline-qint8.pth.tar')

经过上面的几个步骤，我们就完成了EDSR模型的INT8量化，也将其进行了保存。也就是说完成了初步的量化工作，因为接下来的测试论证很关键，如果量化损失很严重也不行的。

量化模型测试

接下来，我们对上述量化好的模型进行一下测试看看效果。量化模型的调用code如下(与常规模型的调用有一点点的区别)：

def fp32edsr(block=ResBlock, pretrained=None):    model = EDSR(block=block)    if pretrained:        state_dict = torch.load(pretrained, map_location='cpu')        model.load_state_dict(state_dict)    return model

def qint8edsr(block=QuantizableResBlock, pretrained=None, quantize=False):    model = QuantizableEDSR(block=block)    _replace_relu(model)

    if quantize:        backend = 'fbgemm'        quantize_model(model, backend)    else:        assert  pretrained in [True, False]

    if pretrained:        state_dict = torch.load(pretrained, map_location='cpu')        model.load_state_dict(state_dict)

    return model

def quantize_model(model, backend):    if backend not in torch.backends.quantized.supported_engines:        raise RuntimeError('Quantized backend not supported ')    torch.backends.quantized.engine = backend    model.eval()

    _dummy_input_data = torch.rand(1, 3, 64, 64)

    # Make sure that weight qconfig matches that of the serialized models    if backend == 'fbgemm':        model.qconfig = torch.quantization.QConfig(            activation=torch.quantization.default_histogram_observer,            weight=torch.quantization.default_per_channel_weight_observer)    elif backend == 'qnnpack':        model.qconfig = torch.quantization.QConfig(            activation=torch.quantization.default_histogram_observer,            weight=torch.quantization.default_weight_observer)

    model.fuse_model()    torch.quantization.prepare(model, inplace=True)    model(_dummy_input_data)    torch.quantization.convert(model, inplace=True)

从上面code可以看到：相比fp32模型，量化模型多了两步骤：

  • replace=True的op替换为replace=False的op；
  • 模型的最简单量化版本，完成初步的op替换。

结合上述code，我们就可以直接对DIV2K数据进行测试了，测试的部分code摘录如下：

index = 1
image_path = os.path.join(data_root, f'{index:04d}.png')
inputs = preprocess(image_path)
inputs -= meanBGR

with torch.no_grad():
    output1 = model(inputs)
    output2 = fmodel(inputs)

output1 += meanBGR
output2 += meanBGR

show1 = post_process(output1)
cv2.imwrite(f'results/{index:03d}-init8.png', show1)
show2 = post_process(output2)
cv2.imwrite(f'results/{index:03d}-fp32.png', show2)

image-20210203144114765

上图给出了DIV2K训练集中0016的两种模型的效果对比，左图为FP32模型的超分效果，右图为INT8量化模型的超分效果。可以看到：量化后模型在效果上是视觉无损的(就是说：量化损失导致的效果下降不可感知)。总而言之，量化前后模型的对比可以参考下表（PC端测试，测试数据为DIV2K，速度为平均速度）。

FP32 INT8 压缩/提速
ModelSize 5953K 1610K 73%
Speed 5.94s 3.39s 43%

注意事项

  1. 为什么要将add_mean与sub_mean移到网络外面不参与量化呢？

从我们的量化对比来看，将其移到外面效果更佳。可能也跟add_mean与sub_mean中的参数有关，两者只是简单的均值处理， 这个地方的量化会导致weight值出现较大偏差，进而影响后续的量化精度。

  1. 在量化方式方面，该如何选择呢？

在量化方式方面，activation支持：HistogramObserver，MinMaxObserver，， weight支持：PerChannelMinMaxObserver，MinMaxObserver. 从我们的量化对比来看，Histogram+PerChannelMinMax这种组合要比MinMaxObserver+PerChannelMinMax更佳。下图给出了DIV2K训练集中0018数据采用第二种量化组合效果对比，可以感知到明显的量化损失。

image-20210203145236068
赞 (0)

相关推荐