快速入门

已安装AMCT（ONNX）工具包，详情请参见工具安装。

1. 单击Link获取sample软件包，并上传到AMCT所在服务器任意路径，例如上传到：$HOME/software/AMCT_Pkg/amct_sample。
2. 解压sample软件包。

   切换到amct_sample目录，执行如下命令解压sample包。

   unzip samples-master.zip
   cd samples-master/python/level1_single_api/9_amct/amct_onnx/cmd

   获得如下目录信息：

   |-- README_CN.md
   |-- data                                     # 数据集存放路径
   |-- model                                    # ONNX 模型文件所在目录
   |-- scripts
   |   |-- run_calibration.sh                   # 执行量化封装脚本
   |   |-- run_convert_qat.sh                   # QAT模型适配CANN模型命令行脚本
   |   |-- run_customized_calibration.sh        # 用户自定义的训练后量化脚本
   |-- src
       |-- process_data.py                      # 数据集预处理脚本
       |-- evaluator.py                         #系统内置的，基于“Evaluator”基类并且包含evaluator评估器的python脚本

1. 获取ONNX网络模型。

   单击Link，获取resnet101_v11.onnx网络的模型文件（*.onnx），并以AMCT软件包运行用户将获取的文件上传至Linux服务器sample目录amct_onnx/cmd/model。

2. 准备模型相匹配的二进制数据集。
   1. 切换到amct_onnx/cmd/data，依次执行如下命令，用于下载校准数据集。

      wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/amct_acl/classification/imagenet_calibration.tar.gz
      tar -zxvf imagenet_calibration.tar.gz

      执行完成后，在images目录会生成*.jpg格式数据集。

   2. 在amct_onnx/cmd目录，执行如下命令将images目录下*.jpg格式数据集转换为bin格式数据集。

      python3 ./src/process_data.py

      执行完成后，在data目录生成calibration目录，并在该目录中生成calibration.bin格式数据集。

3. 在任意目录执行如下命令进行网络模型的量化操作。如下命令中使用的目录以及文件均为样例，请以实际为准。

   amct_onnx calibration --model ./model/resnet101_v11.onnx --save_path ./results/resnet101_v11 --input_shape "input:16,3,224,224"  --data_dir "./data/calibration"  --data_types "float32"

   amct_onnx二进制所在路径为安装用户$HOME/.local/bin目录。用户可以通过amct_onnx calibration --help命令查看命令行涉及的所有参数，关于参数的详细解释以及使用方法请参见命令行参数说明。

   

   • 如果执行amct_onnx calibration --help命令后，查询不到AMCT工具，则可能是安装该工具时，使用的python版本不对，参见安装Python3.9.2（Ubuntu）重新执行如下环境变量后再次尝试（路径请替换为实际安装的地址）：

     export PATH=/usr/local/python3.9.2/bin:$PATH

   • AMCT的sample还提供了3量化命令以及2.b中数据集预处理脚本的封装脚本run_calibration.sh，用户准备完模型以及下载好数据集后，可以直接使用该脚本执行量化，切换到amct_onnx/cmd目录，执行如下命令：

     bash ./scripts/run_calibration.sh

4. 若提示如下信息且无Error日志信息，则说明模型量化成功。

   INFO - [AMCT]:[Utils]: The model file is saved in $HOME/xxx/results/resnet101_v11_fake_quant_model.onnx

   量化后生成文件说明如下：

   1. amct_log/amct_onnx.log：记录了工具的日志信息，包括量化过程的日志信息。

      上述日志文件重新执行量化时会被覆盖，请用户自行进行保存。此外，由于生成的日志文件大小和所要量化模型层数有关，请用户确保AMCT工具所在服务器有足够空间：

      以量化resnet101模型为例，日志级别设置为INFO，日志文件大小为5KB左右，中间临时文件大小为170MB左右；日志级别设置为DEBUG，日志文件大小为2MB左右，中间临时文件大小为170MB左右。

   2. results：量化结果文件。
      1. resnet101_v11_deploy_model.onnx：量化后的可在昇腾AI处理器部署的模型文件。
      2. resnet101_v11_fake_quant_model.onnx：量化后的可在ONNX执行框架ONNX Runtime进行精度仿真的模型文件。
      3. resnet101_v11_quant.json：量化信息文件（该文件名称和量化后模型名称保持统一），记录了量化模型同原始模型节点的映射关系，用于量化后模型同原始模型精度比对使用。
   3. （可选）随机数_时间戳，该目录只有AMCT_LOG_LEVEL=DEBUG时才会生成，设置方法请参见设置环境变量。
      1. quant_config.json：量化配置文件，描述了如何对模型中的每一层进行量化。如果当前目录已经存在量化配置文件，则再次进行量化时，如果新生成的量化配置文件与已有的文件同名，则会覆盖已有的量化配置文件，否则生成新的量化配置文件。
      2. 实际量化过程中，如果量化后的模型推理精度不满足要求，则用户可以根据量化后的quant_config.json，自行构造简易配置文件config.cfg，构造原则请参见调优流程。然后使用--calibration_config参数重新进行量化。通过该文件用户可以自行决定校准使用的数据量，以及控制哪些层进行量化等。
      3. record.txt：记录量化因子的文件。关于该文件的原型定义请参见record记录文件。
      4. modified_model.onnx、updated_model.onnx：量化过程中的中间文件。

已安装AMCT（TensorFlow）工具包，详情请参见工具安装。

1. 单击Link获取sample软件包，并上传到AMCT所在服务器任意路径，例如上传到：$HOME/software/AMCT_Pkg/amct_sample。
2. 解压sample软件包。

   切换到amct_sample目录，执行如下命令解压sample包。

   unzip samples-master.zip
   cd samples-master/python/level1_single_api/9_amct/amct_tensorflow/cmd

   获得如下目录信息：

   |-- README_CN.md
   |-- data                                     # 数据集存放路径
   |-- model                                    # TensorFlow模型文件所在目录
   |-- scripts
   |   |-- run_calibration.sh                   # 执行量化封装脚本
   |   |-- run_convert_qat.sh                   # QAT模型适配CANN模型命令行脚本
   |   |-- run_customized_calibration.sh        # 用户自定义的训练后量化脚本
   |-- src
       |-- evaluator.py                         #系统内置的，基于“Evaluator”基类并且包含evaluator评估器的python脚本
       |-- process_data.py                      # 数据集预处理脚本

1. 获取待量化的TensorFlow网络模型。

   单击Link获取MobileNet V2网络模型，解压后将其中的（*.pb）文件，以AMCT软件包运行用户上传至Linux服务器sample目录amct_tensorflow/cmd/model。

2. 准备模型相匹配的二进制数据集。
   1. 切换到amct_tensorflow/cmd/data，依次执行如下命令，用于下载校准数据集。

      cd amct_tensorflow/cmd/data
      mkdir image && cd image
      wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/amct_acl/classification/calibration.rar
      unrar e calibration.rar

      上述命令执行完成后，在image/calibration目录会生成*.jpg格式数据集。

   2. 在amct_tensorflow/cmd目录，执行如下命令将calibration目录下*.jpg格式数据集转换为bin格式数据集。

      python3 ./src/process_data.py

      执行完成后，在data目录会生成新的calibration目录，并在该目录生成calibration.bin格式数据集。

3. 在任意目录执行如下命令进行网络模型的量化操作。如下命令中使用的目录以及文件均为样例，请以实际为准。

   amct_tensorflow calibration --model=./model/mobilenet_v2_1.0_224_frozen.pb --save_path=./results/mobilenet_v2 --outputs="MobilenetV2/Predictions/Reshape_1:0"  --input_shape="input:32,224,224,3" --data_dir="./data/calibration/" --data_types="float32"

   amct_tensorflow二进制所在路径为安装用户$HOME/.local/bin目录。用户可以通过amct_tensorflow calibration --help命令查看命令行涉及的所有参数，关于参数的详细解释以及使用方法请参见命令行参数说明。

   

   • 如果执行amct_tensorflow calibration --help命令后，查询不到AMCT工具，则可能是安装该工具时，使用的python版本不对，参见安装Python3.9.2（Ubuntu）重新执行如下环境变量后再次尝试（路径请替换为实际安装的地址）。

     export PATH=/usr/local/python3.9.2/bin:$PATH

   • AMCT的sample还提供了3量化命令以及2.b中数据集预处理脚本的封装脚本run_calibration.sh，用户准备完模型以及下载好数据集后，可以直接使用该脚本执行量化，切换到amct_tensorflow/cmd目录，执行如下命令：

     bash ./scripts/run_calibration.sh

4. 若提示如下信息且无Error日志信息，则说明模型量化成功。

   INFO - [AMCT]:[save_model]: The model is saved in $HOME/xxx/results/mobilenet_v2_quantized.pb

   量化后生成文件说明如下：

   1. amct_log/amct_tensorflow.log：记录了工具的日志信息，包括量化过程的日志信息。

      上述日志文件重新执行量化时会被覆盖，请用户自行进行保存。此外，由于生成的日志文件大小和所要量化模型层数有关，请用户确保AMCT工具所在服务器有足够空间：

      以量化resnet101模型为例，日志级别设置为INFO，日志文件大小为5KB左右，中间临时文件大小为170MB左右；日志级别设置为DEBUG，日志文件大小为2MB左右，中间临时文件大小为170MB左右。

   2. results：量化结果文件。
      1. mobilenet_v2_quantized.pb：量化后的可在TensorFlow环境进行精度仿真并可在昇腾AI处理器部署的模型。
      2. mobilenet_v2_quant.json：量化信息文件（该文件名称和量化后模型名称保持统一），记录了量化模型同原始模型节点的映射关系，用于量化后模型同原始模型精度比对使用。
   3. （可选）随机数_时间戳：该目录只有set_logging_level接口打屏日志级别设置为debug才会生成。
      1. quant_config.json：量化配置文件，描述了如何对模型中的每一层进行量化。如果当前目录已经存在量化配置文件，则再次进行量化时，如果新生成的量化配置文件与已有的文件同名，则会覆盖已有的量化配置文件，否则生成新的量化配置文件。
      2. 实际量化过程中，如果量化后的模型推理精度不满足要求，则用户可以根据量化后的quant_config.json，自行构造简易配置文件config.cfg，构造原则请参见调优流程。然后使用--calibration_config参数重新进行量化。通过该文件用户可以自行决定校准使用的数据量，以及控制哪些层进行量化等。
      3. record.txt：记录量化因子的文件。关于该文件的原型定义请参见record记录文件。

已安装AMCT（Caffe）工具包，详情请参见工具安装。

Atlas A2训练系列产品/Atlas 800I A2推理产品不支持Caffe框架。

1. 单击Link获取sample软件包，并上传到AMCT所在服务器任意路径，例如上传到：$HOME/software/AMCT_Pkg/amct_sample。
2. 解压sample软件包。

   切换到amct_sample目录，执行如下命令解压sample包。

   unzip samples-master.zip
   cd samples-master/python/level1_single_api/9_amct/amct_caffe/cmd

   获得如下目录信息：

   |-- README_CN.md
   |-- data                                        # 数据集存放目录
   |-- model                                       # Caffe模型文件所在目录
   |-- scripts
   |   |-- run_calibration.sh                      # 执行量化封装脚本
   |   |-- run_customized_calibration.sh           # 用户自定义的训练后量化脚本
   |-- src
       |-- download_models.py                      # 模型文件下载脚本
       |-- evaluator.py                            #系统内置的，基于“Evaluator”基类并且包含evaluator评估器的python脚本
       |-- process_data.py                         # 数据集预处理脚本

• 由于软件约束（动态shape场景下暂不支持输入数据为DT_INT8），量化后的部署模型使用ATC工具进行模型转换时，不能使用动态shape相关参数，例如--dynamic_batch_size和--dynamic_image_size等，否则模型转换会失败。
• 使用AMCT工具量化后的部署模型，使用ATC工具进行模型转换时，不能再使用高精度特性，比如不能再通过--precision_mode参数配置force_fp32或must_keep_origin_dtype（原图fp32输入）；不能再通过--precision_mode_v2参数配置origin；不能通过--op_precision_mode配置high_precision参数等。在高精度模式下设置量化参数，既拿不到量化的性能收益，也拿不到高精度模式的精度收益。

1. 获取待量化的Caffe网络模型。
   切换到amct_caffe/cmd目录，执行如下命令下载模型文件和权重文件。

   python3 ./src/download_models.py --close_certificate_verify

   其中，--close_certificate_verify参数可选，用于关闭证书验证参数，确保模型正常下载。如果模型下载过程中提示认证失败相关信息，则可以增加该参数重新下载。

   若提示如下信息，则说明模型文件下载成功：

   [INFO]Download 'ResNet-50-deploy.prototxt' to 'xxx/amct_caffe/cmd/model/ResNet-50-deploy.prototxt' success.
   [INFO]Download file_name to 'xxx/amct_caffe/cmd/model/ResNet-50-model.caffemodel' success.

   用户可以根据提示信息，在amct_caffe/cmd/model路径看到已经下载的模型文件。

2. 准备模型相匹配的二进制数据集。
   1. 切换到amct_caffe/cmd目录，执行如下命令，用于下载校准数据集。

      cd data 
      mkdir image && cd image
      wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/amct_acl/classification/calibration.rar
      unrar e calibration.rar

   2. 在amct_caffe/cmd目录，执行如下命令将calibration目录下*.jpg格式数据集转换为bin格式数据集。

      python3 ./src/process_data.py

      执行完成后，在data目录会生成新的calibration目录，并在该目录生成calibration.bin格式数据集。

3. 在任意路径执行如下命令进行网络模型的量化操作。如下命令中使用的目录以及文件均为样例，请以实际为准。

   amct_caffe calibration --model=./model/ResNet-50-deploy.prototxt --weights=./model/ResNet-50-model.caffemodel --save_path=./results/Resnet-50 --input_shape="data:1,3,224,224" --data_dir="./data/calibration" --data_types="float32"

   amct_caffe二进制所在路径为安装用户$HOME/.local/bin目录。用户可以通过amct_caffe calibration --help命令查看命令行涉及的所有参数，关于参数的详细解释以及使用方法请参见命令行参数说明。

   

   • 如果执行amct_caffe calibration --help命令后，查询不到AMCT工具，则可能是安装该工具时，使用的python版本不对，参见安装Python3.9.2（Ubuntu）重新执行如下环境变量后再次尝试（路径请替换为实际安装的地址）：

     export PATH=/usr/local/python3.9.2/bin:$PATH

   • AMCT的sample还提供了3量化命令以及2.b中数据集预处理脚本的封装脚本run_calibration.sh，用户准备完模型以及下载好数据集后，可以直接使用该脚本执行量化，切换到amct_caffe/cmd目录，执行如下命令：

     bash ./scripts/run_calibration.sh

4. 若提示如下信息且无Error日志信息，则说明模型量化成功。

   INFO - [AMCT]:[Utils]: The weights_file is saved in $HOME/xxx/results/Resnet-50_fake_quant_weights.caffemodel
   INFO - [AMCT]:[Utils]: The model_file is saved in $HOME/xxx/results/Resnet-50_fake_quant_model.prototxt

   量化后生成文件说明如下：

   • amct_log/amct_caffe.log：记录了工具的日志信息，包括量化过程的日志信息。

     上述日志文件重新执行量化时会被覆盖，请用户自行进行保存。此外，由于生成的日志文件大小和所要量化模型层数有关，请用户确保AMCT工具所在服务器有足够空间：

     以量化resnet101模型为例，日志级别设置为INFO，日志文件大小为5KB左右，中间临时文件大小为170MB左右；日志级别设置为DEBUG，日志文件大小为2MB左右，中间临时文件大小为170MB左右。

   • results：量化结果文件。
     • ResNet-50_deploy_model.prototxt：量化后的可在昇腾AI处理器部署的模型文件。
     • ResNet-50_deploy_weights.caffemodel：量化后的可在昇腾AI处理器部署的权重文件。
     • ResNet-50_fake_quant_model.prototxt：量化后的可在Caffe环境进行精度仿真模型文件。
     • ResNet-50_fake_quant_weights.caffemodel：量化后的可在Caffe环境进行精度仿真权重文件。
     • ResNet-50_quant.json：量化信息文件（该文件名称和量化后模型名称保持统一），记录了量化模型同原始模型节点的映射关系，用于量化后模型同原始模型精度比对使用。
   • （可选）随机数_时间戳，该目录只有AMCT_LOG_LEVEL=DEBUG时才会生成，设置方法请参见环境变量设置。
     • quant_config.json：量化配置文件，描述了如何对模型中的每一层进行量化。如果当前目录已经存在量化配置文件，则再次进行量化时，如果新生成的量化配置文件与已有的文件同名，则会覆盖已有的量化配置文件，否则生成新的量化配置文件。

       实际量化过程中，如果量化后的模型推理精度不满足要求，则用户可以根据量化后的quant_config.json，自行构造简易配置文件config.cfg，构造原则请参见调优流程。然后使用--calibration_config参数重新进行量化。通过该文件用户可以自行决定校准使用的数据量，以及控制哪些层进行量化等。

     • modified_model.prototxt、modified_model.caffemodel：量化过程中生成的中间模型文件。
     • record.txt：记录量化因子的文件。关于该文件的原型定义请参见record记录文件。