逐层蒸馏

逐层蒸馏示例请参见获取更多样例。

接口调用流程

调用流程如图1所示。

图1 蒸馏接口调用流程
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，逐层蒸馏特性主要分为4个部分，创建蒸馏配置、创建蒸馏模型、蒸馏量化模型和保存量化模型，详情如下：
  1. 创建蒸馏配置，用户首先构造PyTorch的原始模型，然后使用create_distill_config接口，将用户自定义的蒸馏配置与AMCT算法定义的蒸馏配置相结合，输出网络每一层的蒸馏配置信息。
  2. 创建蒸馏模型，调用create_distill_model接口对原始模型进行修改，根据蒸馏配置信息生成一个待蒸馏的量化模型。
  3. 蒸馏模型，调用distill接口，根据用户配置的模型推理和优化方法，结合蒸馏配置信息，对网络进行分块蒸馏，得到蒸馏后的性能优化的量化模型。
  4. 保存量化模型，最后调用save_distill_model接口保存已蒸馏优化的量化模型，包括可在ONNX执行框架ONNX Runtime环境中进行精度仿真的模型文件和可部署在昇腾AI处理器的模型文件。

调用示例

  • 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，蒸馏模型。

    1. 调用create_distill_config接口生成蒸馏配置。输出的蒸馏配置中包含用户自定义的和自动查找到的蒸馏结构。 
      1
2
3
4
5
6
      		 
      config_file = './tmp/config.json'
simple_cfg = './distill.cfg'
amct.create_distill_config(config_file=config_file,
                             model=ori_model,
                             input_data=ori_model_input_data,
                             config_defination=simple_cfg)
    2. 调用create_distill_model接口创建蒸馏模型。
      对待蒸馏的浮点模型进行量化，将浮点模型中的待压缩算子替换为CANN量化算子。 
      1
2
3
4
      		 
      compress_model = amct.create_distill_model(
                 config_file=config_file,
                 model=ori_model,
                 input_data=ori_model_input_data)
    3. 逐层蒸馏。

      调用distill接口进行逐层蒸馏。针对配置中的蒸馏结构进行蒸馏。

       1
 2
 3
 4
 5
 6
 7
 8
 9
10
      		 
      distill_model = amct.distill(
                model=ori_model,
                compress_model
                config_file=config_file,
                train_loader,
                epochs=1,
                lr=1e-3,
                sample_instance=None, 
                loss=loss,
                optimizer=optimizer)
    4. 保存蒸馏模型。
      调用save_distill_model接口，插入AscendQuant、AscendDequant等算子，保存为蒸馏模型。 
      1
2
3
4
5
6
7
8
9
      		 
      amct.save_distill_model(
                 model, 
                 "./model/distilled"
                 input_data,
                 record_file="./results/records.txt"
                 input_names=['input'],
                 output_names=['output'],
                 dynamic_axes={'input':{0: 'batch_size'},
                               'output':{0: 'batch_size'}})

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

    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)

父主题： 扩展更多特性