密云水库库滨带水源保护（绿化）二期工程开始进...
加入技术交流群
一、引言
使用 征程 6 工具链进行量化部署时，涉及 bool 类型数据计算时，会有一些与全 float 计算不同的情况，需要特别注意。
本文将重点结合 PyTorch 的 torch.mul（逐元素相乘）以及张量的 类型提升（Type Promotion） 规则，分析在 征程 6 工具链上 量化部署时 mul 与 bool 类型数据交互的问题。
二、bool 计算示例
在 PyTorch 中，bool 类型的数据用于表示 掩码（mask），常见的操作包括 torch.logical_not（）、比较运算符（如 ==）等。当 bool 类型数据与其他数据类型进行算术运算时，PyTorch 会遵循 类型提升（Type Promotion） 规则，将 bool 转换为更高精度的数值类型。例如：
import torch x = torch.tensor([1.0, 2.0, 3.0]) y = torch.tensor([True, False, True]) result = x * y # 逐元素相乘 print(result) # tensor([1., 0., 3.]) print(result.dtype) # torch.float32
在这个例子中，bool 类型的 y 在计算时被提升为 float32 类型，因此计算结果仍然是 float32。
torch.mul 官方文档里确实没明确说支持 bool 类型输入（官网链接），但 PyTorch 底层的张量操作支持 bool，是一种 隐式支持，官方文档默认大家了解 PyTorch 的 类型提升（type promotion）规则。
三、模型中 bool 量化问题分析
在量化模型中，当 bool 数据在计算过程中发生类型提升，特别是浮点数过了 quant，再进行比较，可能会出现很大的量化误差。代码示例如下：
class small_model(nn.Module): def __init__(self): super(small_model, self).__init__（） self.quant = QuantStub（） self.dequant = DeQuantStub（） def forward（self， actors_input）: actors_input = self.quant（actors_input） print（"actors_input:"， actors_input） # actors_mask = torch.logical_not（actors_input[:， :， :， -1] == 0） # 一定程度上正确写法 actors_mask = actors_input[:， :， :， -1] == 1 # 错误写法，会导致 calib 指标崩掉 print（"actors_mask"， actors_mask） print（"actors_mask shape:"， actors_mask.shape） print（"actors_mask[:， :， :， None] shape:"， actors_mask[:， :， :， None]。shape） actors_output = actors_input * actors_mask[:， :， :， None] return self.dequant（actors_output） model = small_model（） ## ================================================================# # 生成随机数据 # torch.manual_seed（41） # actors_data = torch.randn（1， 2， 4， 3） # actors_mask = torch.randint（0， 2， （1， 2， 4， 1）， dtype=torch.bool） # example_input = torch.cat（[actors_data， actors_mask]， dim=-1） example_input = torch.tensor（[[[[ 0.2465， -0.4717， 60.5， 1.0000]， [-0.2124， 0.5660， -1.6637， 0.0000]， [ 0.3338， 1.6051， -1.5088， 1.0000]， [-0.9215， -0.5901， 1.4871， 0.0000]]， [[ 0.1650， -0.3785， 1.6710， 0.0000]， [-0.3752， 0.2337， 0.4186， 0.0000]， [-0.2221， -0.1745， -0.6064， 1.0000]， [ 0.9174， -0.6317， 0.6133， 1.0000]]]]） print（"example_input:"， example_input） ## ================================================================# output = model（example_input） print（"float output:"， output）
使用 actors_mask = actors_data[:， :， :， -1] == 1 来生成布尔掩码。
example_input: tensor([[[[ 0.2465, -0.4717, 60.5, 1.0000], [-0.2124, 0.5660, -1.6637, 0.0000], [ 0.3338, 1.6051, -1.5088, 1.0000], [-0.9215, -0.5901, 1.4871, 0.0000]], [[ 0.1650, -0.3785, 1.6710, 0.0000], [-0.3752, 0.2337, 0.4186, 0.0000], [-0.2221, -0.1745, -0.6064, 1.0000], [ 0.9174, -0.6317, 0.6133, 1.0000]]]]) actors_input: tensor([[[[ 0.2465, -0.4717, 60.5, 1.0000], [-0.2124, 0.5660, -1.6637, 0.0000], [ 0.3338, 1.6051, -1.5088, 1.0000], [-0.9215, -0.5901, 1.4871, 0.0000]], [[ 0.1650, -0.3785, 1.6710, 0.0000], [-0.3752, 0.2337, 0.4186, 0.0000], [-0.2221, -0.1745, -0.6064, 1.0000], [ 0.9174, -0.6317, 0.6133, 1.0000]]]]) actors_mask tensor([[[ True, False, True, False], [False, False, True, True]]]) actors_mask shape torch.Size([1, 2, 4]) actors_mask[:, :, :, None] shape torch.Size([1, 2, 4, 1]) float output: tensor([[[[ 0.2465, -0.4717, 60.5, 1.0000], [-0.0000, 0.0000, -0.0000, 0.0000], [ 0.3338, 1.6051, -1.5088, 1.0000], [-0.0000, -0.0000, 0.0000, 0.0000]], [[ 0.0000, -0.0000, 0.0000, 0.0000], [-0.0000, 0.0000, 0.0000, 0.0000], [-0.2221, -0.1745, -0.6064, 1.0000], [ 0.9174, -0.6317, 0.6133, 1.0000]]]])
打印的结果如上，可以看到，float 输出没有任何问题。
然而，在 量化模型 中，这种 bool mask 运算会由于微小的量化误差发生非常大的变化，原因在：
actors_data = self.quant(actors_data) actors_mask = actors_data[:, :, :, -1] == 1
数值 1 经过量化反量化后，可能会产生一个或多个 scale 的误差，原本是 1 的位置就不再是 1 了，会变成 0.9x 或 1.0x，这样就==1 就不再是 True 了。
打印看到 actors_mask 全部均为 False。
=========set_fake_quantize(calib_model, FakeQuantState.VALIDATION)========= actors_input: QTensor( data = tensor([[[[ 0.2474, -0.4708, 60.4991, 1.0007], [-0.2123, 0.5668, -1.6636, 0.0000], [ 0.3342, 1.6045, -1.5085, 1.0007], [-0.9213, -0.5908, 1.4863, 0.0000]], [[ 0.1643, -0.3785, 1.6709, 0.0000], [-0.3748, 0.2345, 0.4191, 0.0000], [-0.2216, -0.1754, -0.6056, 1.0007], [ 0.9176, -0.6314, 0.6130, 1.0007]]]]), scale = tensor([0.0018]), zero_point = tensor([0]), dtype = qint16, per_channel_axis = -1, is_quantized = False ) actors_mask tensor([[[False, False, False, False], [False, False, False, False]]]) actors_mask shape： torch.Size([1, 2, 4]) actors_mask[:, :, :, None] shape： torch.Size([1, 2, 4, 1]) calib_model out: tensor([[[[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]], [[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]]]])
这种结果明显是不符合预期的。
四、bool 量化问题解决
怎么修改呢？如下所示
actors_mask = torch.logical_not(actors_data[:, :, :, -1] == 0) # 一定程度上正确写法 # actors_mask = actors_data[:, :, :, -1] == 1 # 错误写法，会导致calib指标崩掉
0 经过对称量化，依旧是 0，再经过 logical_not 即可。此时输出变为：结果是正确的。
=========set_fake_quantize(calib_model, FakeQuantState.VALIDATION)========= actors_input: QTensor( data = tensor([[[[ 0.2474, -0.4708, 60.4991, 1.0007], [-0.2123, 0.5668, -1.6636, 0.0000], [ 0.3342, 1.6045, -1.5085, 1.0007], [-0.9213, -0.5908, 1.4863, 0.0000]], [[ 0.1643, -0.3785, 1.6709, 0.0000], [-0.3748, 0.2345, 0.4191, 0.0000], [-0.2216, -0.1754, -0.6056, 1.0007], [ 0.9176, -0.6314, 0.6130, 1.0007]]]]), scale = tensor([0.0018]), zero_point = tensor([0]), dtype = qint16, per_channel_axis = -1, is_quantized = False ) actors_mask tensor([[[ True, False, True, False], [False, False, True, True]]]) actors_mask shape: torch.Size([1, 2, 4]) actors_mask[:, :, :, None] shape: torch.Size([1, 2, 4, 1]) calib_model out: tensor([[[[ 0.2474, -0.4708, 60.4991, 1.0007], [ 0.0000, 0.0000, 0.0000, 0.0000], [ 0.3342, 1.6045, -1.5085, 1.0007], [ 0.0000, 0.0000, 0.0000, 0.0000]], [[ 0.0000, 0.0000, 0.0000, 0.0000], [ 0.0000, 0.0000, 0.0000, 0.0000], [-0.2216, -0.1754, -0.6056, 1.0007], [ 0.9176, -0.6314, 0.6130, 1.0007]]]])
这种方案一定正确吗？答案：不一定是正确的，需要考虑极值问题。另外，由于 mul 不支持输入为 bool 类型，这儿还会出现 cpu 算子问题。
生成的 quantized.onnx 可以看到，确实 mul 运行在 cpu 上。
4.1 CPU 算子问题
主要原因是：右侧工具自动进行：bool->float32
第一个思路是：直接将 actors_mask 转 torch.int16，
actors_mask = torch.logical_not(actors_input[:, :, :, -1] == 0).to(torch.int16)
这样是不行的。因为过了 quant 的 actors_input 是 Qtensor，而。to（torch.int16）强转的 actors_mask 是常规 torch tensor，这也是不行的。
接着就可以想到，应该转 float，然后过 quant，修改如下：
actors_mask = torch.logical_not(actors_input[:, :, :, -1] == 0).to(torch.float) # 一定程度上正确写法 actors_mask = self.quant_mask(actors_mask)
此时 mul 左右两边都是 qtensor，打印信息如下：
=========set_fake_quantize(calib_model, FakeQuantState.VALIDATION)========= actors_input: QTensor( data = tensor([[[[ 0.2474, -0.4708, 60.4991, 1.0007], [-0.2123, 0.5668, -1.6636, 0.0000], [ 0.3342, 1.6045, -1.5085, 1.0007], [-0.9213, -0.5908, 1.4863, 0.0000]], [[ 0.1643, -0.3785, 1.6709, 0.0000], [-0.3748, 0.2345, 0.4191, 0.0000], [-0.2216, -0.1754, -0.6056, 1.0007], [ 0.9176, -0.6314, 0.6130, 1.0007]]]]), scale = tensor([0.0018]), zero_point = tensor([0]), dtype = qint16, per_channel_axis = -1, is_quantized = False ) actors_mask QTensor( data = tensor([[[1.0000, 0.0000, 1.0000, 0.0000], [0.0000, 0.0000, 1.0000, 1.0000]]]), scale = tensor([3.0518e-05]), zero_point = tensor([0]), dtype = qint16, per_channel_axis = -1, is_quantized = False ) actors_mask shape: (1, 2, 4) actors_mask[:, :, :, None] shape: (1, 2, 4, 1) calib_model out: tensor([[[[ 0.2474, -0.4708, 60.4972, 1.0007], [ 0.0000, 0.0000, 0.0000, 0.0000], [ 0.3342, 1.6045, -1.5085, 1.0007], [ 0.0000, 0.0000, 0.0000, 0.0000]], [[ 0.0000, 0.0000, 0.0000, 0.0000], [ 0.0000, 0.0000, 0.0000, 0.0000], [-0.2216, -0.1754, -0.6056, 1.0007], [ 0.9176, -0.6314, 0.6130, 1.0007]]]])
可以看到，是全一段 BPU。
在不考虑极值的影响下，改动完成，此时代码如下：
class small_model(nn.Module): def __init__(self): super(small_model, self).__init__() self.quant = QuantStub() self.dequant = DeQuantStub() self.quant_mask = QuantStub() def forward(self, actors_input): actors_input = self.quant(actors_input) actors_mask = torch.logical_not(actors_input[:, :, :, -1] == 0).to（torch.float） # 一定程度上正确写法 actors_mask = self.quant_mask（actors_mask） actors_output = actors_input * actors_mask[:， :， :， None] # + - * / return self.dequant（actors_output） model = small_model（） ## ================================================================# # 生成随机数据 # torch.manual_seed（41） # actors_data = torch.randn（1， 2， 4， 3） # actors_mask = torch.randint（0， 2， （1， 2， 4， 1）， dtype=torch.bool） # example_input = torch.cat（[actors_data， actors_mask]， dim=-1） example_input = torch.tensor（[[[[ 0.2465， -0.4717， 60.5， 1.0000]， [-0.2124， 0.5660， -1.6637， 0.0000]， [ 0.3338， 1.6051， -1.5088， 1.0000]， [-0.9215， -0.5901， 1.4871， 0.0000]]， [[ 0.1650， -0.3785， 1.6710， 0.0000]， [-0.3752， 0.2337， 0.4186， 0.0000]， [-0.2221， -0.1745， -0.6064， 1.0000]， [ 0.9174， -0.6317， 0.6133， 1.0000]]]]） print（"example_input:"， example_input） ## ================================================================# output = model（example_input） print（"float output:"， output）
4.2 极值问题bool 被其他极大值 影响
如果模型输入 actors_input 有极大值存在，例如 70000，int16 量化，会将 actors_mask 原本是 1 的地方给变为 0，量化输出示例如下：
=========set_fake_quantize(calib_model, FakeQuantState.VALIDATION)========= actors_input: QTensor( data = tensor([[[[ 0.0000e+00, 0.0000e+00, 6.9999e+04, 0.0000e+00], [ 0.0000e+00, 0.0000e+00, -2.1363e+00, 0.0000e+00], [ 0.0000e+00, 2.1363e+00, -2.1363e+00, 0.0000e+00], [ 0.0000e+00, 0.0000e+00, 2.1363e+00, 0.0000e+00]], [[ 0.0000e+00, 0.0000e+00, 2.1363e+00, 0.0000e+00], [ 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00], [ 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00], [ 0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00]]]]), scale = tensor([2.1363]), zero_point = tensor([0]), dtype = qint16, per_channel_axis = -1, is_quantized = False ) actors_mask QTensor( data = tensor([[[0., 0., 0., 0.], [0., 0., 0., 0.]]]), scale = tensor([3.0518e-05]), zero_point = tensor([0]), dtype = qint16, per_channel_axis = -1, is_quantized = False ) calib_model out: tensor([[[[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]], [[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]]]])
根据量化公式：
quantized=clamp(round(float/scale),qmin,qmax)
float：浮点数 数据，即 fp32（32-bit 浮点数）表示的张量值。
scale：缩放因子（scale factor），用于将浮点数缩放到整数范围（量化尺度）。
round（float/scale）：对缩放后的值进行四舍五入，得到量化的整数表示。
clamp（…， qmin， qmax）：将量化值限制在 最小值 qmin 和 最大值 qmax 之间，防止溢出。
在这个示例中，scale = 70000/32767 = 2.1263。bool 类型的 1，经过量化：round（1 / 2.1263）=0，由于 round 舍入误差的存在，原来的 1 也被变为了 0，再经过反量化也拯救不了这个舍入误差了。
bool 1 作为 极大值 的影响
如果模型输入 actors_data 都是非常小的数值，由于 bool 类型 1 的存在，会导致 1 成为极大值，影响量化 scale 的统计，继而影响其他数值的量化精细程度。
所以，最稳妥的方式，是将 actor_data 与 actor_mask 分开送入模型。actor_data 自己过 quant，actor_mask 自己过 quant_mask。
4.3 解决方案示例bool 类型已经变 为 0/1 的 float，可以这么写。需要注意，一定是只有 0 / 1 的 float，在模型中间也可以这么写。
class small_model(nn.Module): def __init__(self): super(small_model, self).__init__（） self.quant = QuantStub（） self.quant_mask = QuantStub（） self.dequant = DeQuantStub（） def forward（self， actors_input）: actors_mask = actors_input[:， :， :， -1] actors_mask = self.quant_mask（actors_mask） # 这种写法会导致模型输入位置有两个量化节点，且 scale 不同而删不掉， 未来用 vpu 可以这么写 actors_data = actors_input[:，:，:，:-1] actors_data = self.quant（actors_data） # 这种写法会导致模型输入位置有两个量化节点，且 scale 不同而删不掉， 未来用 vpu 可以这么写 print（"actors_data:"， actors_data） print（"actors_mask"， actors_mask） actors_output = actors_data * actors_mask[:， :， :， None] # + - * / return self.dequant（actors_output） model = small_model（） ## ================================================================# # 生成随机数据 # torch.manual_seed（41） # actors_data = torch.randn（1， 2， 4， 3） # actors_mask = torch.randint（0， 2， （1， 2， 4， 1）， dtype=torch.bool） # example_input = torch.cat（[actors_data， actors_mask]， dim=-1） example_input = torch.tensor（[[[[ 0.2465， -0.4717， 70000， 1.0000]， [-0.2124， 0.5660， -1.6637， 0.0000]， [ 0.3338， 1.6051， -1.5088， 1.0000]， [-0.9215， -0.5901， 1.4871， 0.0000]]， [[ 0.1650， -0.3785， 1.6710， 0.0000]， [-0.3752， 0.2337， 0.4186， 0.0000]， [-0.2221， -0.1745， -0.6064， 1.0000]， [ 0.9174， -0.6317， 0.6133， 1.0000]]]]） print（"example_input:"， example_input） output = model（example_input） print（"float output:"， output）
如果是模型首部，且确实是 bool 输入
class small_model(nn.Module):
def __init__(self):
super(small_model, self).__init__（）
self.quant = QuantStub（）
self.quant_mask = QuantStub（）
self.dequant = DeQuantStub（）
def forward（self， actors_input）:
actors_mask = actors_input["actors_mask"]
actors_data = self.quant（actors_input["actors_data"]）
print（"actors_data:"， actors_data）
print（"actors_mask"， actors_mask）
actors_output = actors_data * self.quant_mask（actors_mask.to（torch.float）） # + - * /
return self.dequant（actors_output）
# 生成随机数据
torch.manual_seed（41）
actors_data = torch.randn（1， 2， 4， 3）
actors_mask = torch.randint（0， 2， （1， 2， 4， 1）， dtype=torch.bool）
example_input = {"actors_data":actors_data， "actors_mask":actors_mask}
print（"example_input:"， example_input）
output = model（example_input）
print（"float output:"， output）
*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。
