快速入门

前提条件

已安装AMCT工具包。详情请参见工具安装。

获取样例代码

单击Link获取样例代码。

解析代码

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PyTorch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。
  5. 在ONNX Runtime环境中验证量化后仿真模型精度。
  • 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。
  • 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，并通过安装后处理中的环境变量设置日志级别。

    1
    import amct_pytorch as amct

  2. （可选，由用户补充处理）在PyTorch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PyTorch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_torch(ori_model, 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
8
      config_file = './tmp/config.json'
skip_layers = []
batch_num = 1
amct.create_quant_config(config_file=config_file,
			 model=ori_model,
                         input_data=ori_model_input_data,
			 skip_layers=skip_layers,
			 batch_num=batch_num)
    2. 修改图，在图中插入数据量化，权重量化等相关的算子，用于计算量化相关参数。
      1
2
3
4
5
6
7
      record_file = './tmp/record.txt'
modified_onnx_model = './tmp/modified_model.onnx'
calibration_model = amct.quantize_model(config_file=config_file,
					modified_onnx_model=modified_onnx_model,
					record_file=record_file,
                                        model=ori_model,
                                        input_data=ori_model_input_data)
    3. （由用户补充处理）基于PyTorch环境，使用修改后的模型（calibration_model）在校准集（calibration_data）上做模型推理，生成量化因子。

      该步骤执行时，需要注意如下两点：

      1. 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。
      2. 前向推理的次数为batch_num，如果次数不够，后续过程会失败。
      1
      user_do_inference_torch(calibration_model, calibration_data, batch_num)
    4. 保存模型。
      根据量化因子，调用save_model接口，插入AscendQuant、AscendDequant等算子，保存为量化模型。
      1
2
3
4
      quant_model_path = './results/user_model'
amct.save_model(modified_onnx_file=modified_onnx_file,
                record_file=record_file,
                save_path=quant_model_path)

  4. （可选，由用户补充处理）基于ONNX Runtime的环境，使用量化后模型（quant_model）在测试集（test_data）上做推理，测试量化后仿真模型的精度。

    使用量化后仿真模型精度与2中的原始精度做对比，可以观察量化对精度的影响。
    1
2
    quant_model = './results/user_model_fake_quant_model.onnx'
user_do_inference_onnx(quant_model, test_data, test_iterations)

运行样例

参见获取的样例代码中的README，按照步骤执行训练后量化（均匀量化）相关操作。

父主题： AMCT工具（PyTorch）