---
title: 量化数据均衡预处理
description: "在一些数据分布不均匀的场景，由于离群值的影响，对数据进行per-tensor量化得到的结果误差较大，而per-channel量化可以获得更低的误差。但由于当前硬件不支持数据per-channel量化，仅支持权重per-channel量化；在该背景下AMCT设计出一套方法，本节将给出详细介绍。"
url: https://www.hiascend.com/document/detail/zh/canncommercial/latest/devaids/amct/atlasamct_16_0149.html
sourcePath: /source/zh/canncommercial/900/devaids/amct/atlasamct_16_0149.html
indexId: 6b324b0a50ba98d6e826ee672db1ac32a619005d42368ba5d0307386f0914dcf65
---
# 量化数据均衡预处理

在一些数据分布不均匀的场景，由于离群值的影响，对数据进行per-tensor量化得到的结果误差较大，而per-channel量化可以获得更低的误差。但由于当前硬件不支持数据per-channel量化，仅支持权重per-channel量化；在该背景下AMCT设计出一套方法，本节将给出详细介绍。

通过数据均衡预处理接口计算出均衡因子，将模型数据与权重进行数学等价换算，均衡模型数据与权重的分布，将数据的量化难度迁移一部分至权重，从而降低量化误差。


**表1 支持的层以及约束**

| 支持的层类型 | 约束 | 备注 |
| --- | --- | --- |
| Conv：卷积层 | 支持4维或5维输入场景下的量化 | 复用层（共用weight）不支持预处理均衡量化。 |
| Gemm：广义矩阵乘 | transpose\_a=false、Alpha=Beta=1.0 | 复用层（共用weight）不支持预处理均衡量化。 |
| MatMul：全连接层 | 当权重维度为2时，才支持量化 | 复用层（共用weight）不支持预处理均衡量化。 |
| ConvTranspose：转置卷积层 | 仅支持4维输入场景下的量化 | 复用层（共用weight）不支持预处理均衡量化。 |


#### 接口调用流程

均衡预处理接口调用流程如图1所示：

图1 均衡预处理接口调用流程

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. 用户准备ONNX原始模型，并在简易配置文件dmp_quant.cfg中设置dmq参数（简易配置文件配置参数请参见  训练后量化简易配置文件
中的DMQBalancer），然后将配置文件传入  create_quant_config
。
2. 根据ONNX模型和量化配置文件，即可调用  quantize_preprocess
接口对原始ONNX模型进行量化前优化：均衡量化，将数据的量化难度迁移到权重量化。
3. 用户基于ONNX Runtime以及校准集，执行一次校准模型推理完成均衡量化，并将均衡因子输出到record文件中。
4. 根据ONNX模型、量化配置文件和record，即可调用  quantize_model
接口对原始ONNX模型进行量化前优化，包括Conv+BN融合等，插入权重量化算子，进行权重量化；插入数据量化算子，得到校准模型。
5. 用户基于ONNX Runtime以及校准集，执行校准模型推理完成数据量化，并将量化因子输出到文件中。
6. 最后用户可以调用  save_model
接口保存量化后的模型，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，并通过设置环境变量日志级别。
  1 import amct_onnx as amct

2. （可选，由用户补充处理）在ONNX Runtime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ONNX Runtime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_model, test_data, test_iterations)

3. 调用AMCT，量化模型。

  a. 生成量化配置。
    用户在简易配置文件dmp_quant.cfg中设置dmq参数，并将配置文件通过config_defination参数传入create_quant_config。 1 2 3 4 5 6 7 8 9 10 config_defination = os.path.join(PATH, 'dmp_quant.cfg') 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, config_defination=config_defination)

  b. 修改图，在图中插入均衡量化算子，用于计算均衡量化因子。
    1 2 3 4 5 6 record_file = './tmp/record.txt' modified_model = './tmp/modified_model.onnx' amct.quantize_preprocess(config_file=config_file, record_file=record_file, model_file=ori_model, modified_onnx_file=modified_model)

  c. （由用户补充处理）使用修改后的图在校准集上做模型推理，找到均衡量化因子。
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1，如果次数超过1次，每执行一次推理，record中均衡量化因子会被记录一次，后续过程会失败。
```
user_do_inference(modified_onnx_file, calibration_data, test_iterations=1)
```

  d. 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 modified_model = './tmp/modified_model.onnx' amct.quantize_model(config_file=config_file, model_file=ori_model, modified_onnx_file=modified_model, record_file=record_file)

  e. （由用户补充处理）使用修改后的图在校准集上做模型推理，找到量化因子。
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。
若校准过程中有错误信息，则可以尝试参见校准过程中提示"IFMR node. Name:'layer_ifmr_op' Status Message: std::bad_alloc"信息或校准过程中出现"killed"信息进行处理。
```
user_do_inference(modified_onnx_file, calibration_data, batch_num)
```

  f. 保存模型。
    根据量化因子以及修改后的模型，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_model, 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(quant_model, test_data, test_iterations)