手工量化

本节详细介绍训练后量化支持的量化层，接口调用流程和调用示例。

训练后量化支持量化的层以及约束如下，量化示例请参见样例列表。

表1 训练后量化支持的层以及约束

支持的层类型

约束

nn.Dense：全连接层

-

nn.Conv2d：卷积层

dilation为1、group为1、filter维度为4；或者dilation为1、group不为1，group=channel、filter维度为4。

接口调用流程

训练后量化接口调用流程如图1所示。

图1 训练后量化接口调用流程
蓝色部分为用户实现，灰色部分为用户调用AMCT提供的API实现，使用流程如下：
  1. 用户首先构造MindSpore的原始模型，然后使用create_quant_config生成量化配置文件。
  2. 根据MindSpore模型和量化配置文件，即可调用quantize_model接口对原始MindSpore模型进行修改，修改后的模型中包含了量化算法相关的算子，用户使用该模型借助下载的数据集和校准集，在MindSpore环境中进行inference，可以得到量化因子。校准集应该从训练集或者测试集中获取，保证数据分布和真实数据接近，用于产生量化因子，从而保证量化后模型的精度。
  3. 最后用户可以调用save_model接口保存量化后的.air格式的量化模型文件，该量化模型可以在昇腾AI处理器部署。
    部署模型的AscendQuant层将Float32的输入数据量化为INT8，作为卷积层的输入，权重也是使用INT8数据类型作为计算，在部署模型中的卷积层的计算是基于INT8，INT32数据类型的，输出为INT32数据类型经过AscendDequant层转换成Float32数据类型转输给下一个网络层。示意图如下：
    图2 可部署模型

调用示例

训练后量化主要包括如下几个步骤：

  1. 准备训练好的模型和数据集。
  2. 在原始MindSpore环境中验证模型精度以及环境是否正常。
  3. 编写训练后量化脚本调用AMCTAPI。
  4. 执行训练后量化脚本。

如下流程详细演示如何编写脚本调用AMCTAPI进行模型量化。

  • 如下示例标有“由用户补充处理”的步骤，需要用户根据自己的模型和数据集进行补充处理，示例中仅为示例代码。
  • 如下示例调用AMCT的部分，函数入参请根据实际情况进行调整。
  1. 导入AMCT包，设置日志级别。

    1
2
    		 
    import amct_mindspore as amct
amct.set_logging_level(print_level='info', save_level='info')

  1. （由用户补充处理）准备网络，恢复训练参数，并将网络设置到测试状态。

    1. 创建网络。 
      1
      		 
      ori_network = user_create_network()
    2. 恢复训练参数。 
      1
2
      		 
      param_dict = load_checkpoint(user_network_checkpoint)
load_param_into_net(ori_network, param_dict)
    3. 设置网络状态。 
      1
      		 
      ori_network.set_train(False)

  2. （可选，由用户补充处理）在MindSpore原始环境中验证推理脚本及环境。

    建议使用原始待量化的模型和测试集，在MindSpore环境下推理，验证环境、推理脚本是否正常。

    推荐执行该步骤，请确保原始模型可以完成推理且精度正常；执行该步骤时，可以使用部分测试集，减少运行时间。

    1
    		 
    user_do_inference(ori_network, test_data, test_iterations)

  3. 调用AMCT，量化模型。

    1. 生成量化配置。 
      1
2
3
4
5
6
7
      		 
      config_file = './tmp/config.json'
skip_layers = []
fake_input_data = np.random.uniform(0.0, 1.0, size=ori_network_input_shape).astype(np.float32)
amct.create_quant_config(config_file=config_file,
                         network=ori_network,
                         input_data=fake_input_data,
                         skip_layers=skip_layers)
    2. 修改网络模型，在模型中插入数据量化，权重量化等相关的算子，用于计算量化相关参数。 
      1
2
3
4
      		 
      record_file = './tmp/record.txt'
calibration_network = amct.quantize_model(config_file=config_file,
                                            network=ori_network,
                                            input_data=fake_input_data)
    3. （由用户补充处理）基于MindSpore环境，使用修改后的模型（calibration_network）在校准集（calibration_data）上做模型推理，找到量化因子。

      该步骤执行时，需要注意：校准集及其预处理过程数据要与模型匹配，以保证量化的精度。

      1
      		 
      user_do_inference(calibration_network, calibration_data)
    4. 保存量化模型。
      根据量化因子，调用save_model接口，插入AscendQuant、AscendDequant等算子，保存为可部署的量化模型。 
      1
2
3
4
      		 
      quant_network_path = './results/user_network'
amct.save_model(file_name=quant_network_path,
                  network=calibration_network,
                  input_data=fake_input_data)

父主题： 训练后量化