使用CPU执行时报错 about ppq

[ZhangZhiPku]

我也是cpu跑的，不过你这个情况是不是需要换一个公司

https://www.sensetime.com/cn/join-us

[ZhangZhiPku]

不会吧不会吧，2022年了该不会还有人还没有gpu吧

你可以使用云服务器上的gpu，毕竟它便宜的就好像免费的一样
https://www.bilibili.com/video/BV1WS4y1N7Kn

关于这个错误，容我debug一下看看，这好像是不应该发生的错误。refine的第582行执行了强制联合定点，对于concat, add这样的算子，合并定点信息自然要求算子的输入和输出都已经被正确量化了，报错则说明前面的量化流程存在问题。所以你可能不能手动修改refine.py的代码来跑通...

[ZhangZhiPku]

完了兄弟，在我这里这个网络咋跑都可以...

from ppq import *
from ppq.api import *

d = [torch.rand(1, 224, 224, 3) for _ in range(32)]
setting = QuantizationSetting()
setting.quantize_parameter_setting.calib_algorithm = 'minmax'
setting.quantize_activation_setting.calib_algorithm = 'kl'

ir = quantize_onnx_model(
onnx_import_file='Models/cls_model/efficientnet-lite4-11.onnx',
calib_dataloader=d,
calib_steps=32,
input_shape=[1,224,224,3],
collate_fn=lambda x: x.to('cpu'),
do_quantize=True,
setting=setting,
device='cpu',
platform=TargetPlatform.PPL_CUDA_INT8
)

甚至跑percentile都可以，你之前的错误是因为torch不能处理过多的数据量，你可以把batchsize改成1，这样它就不会有16777216个数了

[Menace-Dragon]

OHHHHH，忘记说了，我跑的是Extension，就是自定义的MyQuantizer。量化策略很存粹，默认就是Symmetric、POT Scale、Linear、PerTensor、8bit、-128~127、Round_half_up

[ZhangZhiPku]

你可能是盗版量化器的受害者，你这个策略我还是跑的很开心...

附件是我修改的Myquantier代码
myquantizer.txt

在默认的流程中，TensorQuantizationConfig的状态由Quantizer初始化为Inital, 由CalibrationPass调用Observer将状态激活为ACTIVATE, 由refine.py执行联合定点将部分Config状态转换为slave。

你的报错似乎指向CalibrationPass调用Observer的过程存在问题，或者Quantizer初始化错误。

[Menace-Dragon]

我的情况有点复杂，目前能用的就是CPU...
由于我是实习生，权限不够接触公司服务器（GPU集群），自己的办公电脑只有集显（跑不了CUDA）... 😞

[Menace-Dragon]

hahaha😱

[ZhangZhiPku]

或者你可以换几个模型试试
import torchvision
(torchvision.models.alexnet, 'alexnet'),
(torchvision.models.inception_v3, 'inception_v3'),
(torchvision.models.mnasnet0_5, 'mnasnet0_5'),
(torchvision.models.mnasnet1_0, 'mnasnet1_0'),
(torchvision.models.squeezenet1_0, 'squeezenet1_0'),
(torchvision.models.squeezenet1_1, 'squeezenet1_1'),
(torchvision.models.shufflenet_v2_x1_0, 'shufflenet_v2_x1_0'),
(torchvision.models.resnet18, 'resnet18'),
(torchvision.models.resnet34, 'resnet34'),
(torchvision.models.resnet50, 'resnet50'),
(torchvision.models.resnext50_32x4d, 'resnext50_32x4d'),
(torchvision.models.wide_resnet50_2, 'wide_resnet50_2'),
(torchvision.models.googlenet, 'googlenet'),
(torchvision.models.vgg11, 'vgg11'),
(torchvision.models.vgg16, 'vgg16'),
(torchvision.models.mobilenet.mobilenet_v2, 'mobilenet_v2'),

[Menace-Dragon]

兄弟，我找到问题所在了，问题出在api/setting.py里的per_layer_calibration上。我设为True后，跑漫长的量化就会出问题，，我换了其他onnx模型试的。

然后我设为False后，快速量化，就没有这个问题了。你的Myquantizer 内容和我的几乎一致的

前两天忙别的去了，刚刚才开始调这个issue。基本配置还是CPU，calibration 用的kl

[ZhangZhiPku]

哦豁，我去看看这个per_layer_calibration是不是出了什么问题，但是你真的知道这个pass在干嘛吗？

[Menace-Dragon]

emmm，就是逐层calibration，一层一层确定好量化参数吧，，，

[ZhangZhiPku]

这么高端的技巧都被你发现了？
不过我们还没有发现逐层calibration能够提升精度的网络，虽然此前这个pass没出过啥错误。

[Menace-Dragon]

还好瞄了一眼，我差点下班开溜了hhhh😲

我跑了minmax 的 per_layer_calibration后analysis显示我量化误差更大... per_layer_calibration是根据学术文章复现的吗，或者个人觉得这有点贪心的意味，局部最优取代全局最优？逐层贪心可能表现得不好hhh

emmmm，所以这个per_layer_calibration会导致谬误吗，还是说还是我自己的问题（我可能昨天改了啥不该改的...）

[ZhangZhiPku]

如果不打开这个layerwise的calibration，那么每个层会根据浮点结果计算同时得到量化参数，对于网络中的第一层而言，这个估计是合理的；然而对于网络后面的层而言，由于前面的层已经被量化的影响，使用浮点结果估计他们的量化参数是有偏的，layerwise calibration是为了解决这个有偏的问题，它甚至不需要证明，是显而易见的。

至于你设想的全局最优...这两种方法都做不到

[Menace-Dragon]

ohhhhhhh原来是这样，受教了😀，
再最后叨扰你一下，per_layer_calibration会带来报错吗，我还没解决我的报错，有可能是我自己改动了其他代码导致的

[ZhangZhiPku]

还不清楚，还没来得及看...

[ZhangZhiPku]

在使用kl作为observer时，perlayer calibration的确会出现这个问题，虽然我还是不知道为什么，min-max似乎没有这个问题。
但是我认为这个per-layer calibration的逻辑存在问题，这个东西会逐层量化并定点，但其逐层量化的过程没有考虑到联合定点策略，因此其执行仍然是有偏的，为此我们需要将这个pass回炉重做一下。

[Menace-Dragon]

好吧🤝
项目真的很不错👍，我这边正在尝试把PPQ加入到我们的模型部署pipeline里，所以频繁叨扰你们了，还望见谅。