关于QuantizationStates.PASSIVE_INIT量化配置探讨 about ppq HOT 2 CLOSED

PPQ 使用 QuantizationState 控制量化逻辑，该字段是 TensorQuantizationConfig 中最重要的内容，我们目前支持 12 种量化状态：

• INITIAL = 1 # 量化参数刚刚被初始化，当前 config 不生效，数据不能被使用
• BAKED = 2 # 只针对参数量化，表示参数已经被静态量化，当前 config 不生效，数据可以直接使用
• OVERLAPPED = 3 # 只针对activation量化，表示数据流的量化由其他 config 管理，当前 config 不生效
• SLAVE = 4 # 只针对activation量化，表示当前数据流处于强制联合定点，当前 config 生效
• DEACTIVATED = 5 # 表示当前 config 不生效
• ACTIVATED = 6 # 表示当前 config 生效
• DEQUANTIZED = 7 # 表示当前 config 处于解量化状态，解量化是 PPQ 的一个系统操作
• SOI = 8 # 表示这一路输入与 Shape or index 相关，不量化
• PASSIVE = 9 # 表示这一路输入被动量化，如 bias, clip value 等
• PASSIVE_INIT = 10 # 表示这一路输入被动量化，并且刚刚初始化不能被使用
• PASSIVE_BAKED = 11 # 被动量化且静态量化，当前config不生效，数据可以直接使用
• FP32 = 12 # 表示这一路输入直接为FP32浮点数

其中最常见的量化状态是 INITIAL -> ACTIVATED -> BAKED，大部分量化都遵循这样的状态变迁。在一开始，Quantizer负责为所有 TensorQuantizationConfig 初始化状态，即全部初始化为 INITIAL。而后 Quantizer 负责将 Conv, Gemm 中的 bias 修改为 PASSIVE_INIT 状态，这表明需要 PPQ 对 bias 展开被动定点逻辑，只有bias的量化处于 PASSIVE_INIT 时它的量化参数才会被 input scale * weight scale覆盖，否则bias将执行主动定点逻辑，生成自己的量化参数。

当你修改了此处的状态初始化，如果你将其修改为 INITIAL，则 bias 执行主动定点，会通过 observer 给自己确定一个独立的scale 和 offset，你的推理框架可能会向你报告错误。如果你将其修改为 FP32，则会直接撤销 bias 的定点过程。修改为其他状态可能会造成执行错误。

在 PPQ 中量化是这样发生的：

1. 由 Quantizer 负责初始化状态，写明位宽，截断值等基本信息。
2. 由 QuantizeReducePass 负责关闭一些多余的量化信息，被关闭的量化信息状态为 OVERLAPPED，同时建立父子连接。
3. 由 QuantizeRefinePass 负责修正量化错误，即强制要求 'Reshape', 'Slice', 'Gather', 'Resize', 'Split' 的部分输入不可量化，状态置为 SOI。
4. 由 QuantizeRefinePass 负责修正量化错误，即强制要求 'Clip', 'Pad' 的部分输入状态为 PASSIVE_INIT。
5. 由 RuntimeCalibrationPass 或者 ParameterQuantizePass 负责处理状态为INITIAL的量化信息，寻找合适的 scale 与 offset，并将量化状态置为ACTIVATED。
6. 由 PassiveParameterQuantizePass 负责处理状态为 PASSIVE_INIT 的量化信息，并将这些它们的状态设置为 PASSIVE。
7. 如果开启了PPQ的训练功能，则由 ppq/quantization/optim/training.py 中的一系列 pass 对 scale 和 offset 进行微调
8. 如果开启了parameter_baking，则由 ParameterBakingPass 负责处理所有状态为 ACTIVATED 或 PASSIVE 的参数，对他们执行量化烘焙，直接将其数值替换成量化后的值，同时将状态转换为 BAKED 或者 PASSIVE_BAKED

from ppq.

原来是这样，感谢😃

from ppq.