--- 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_0203.html sourcePath: /source/zh/canncommercial/900/devaids/amct/atlasamct_16_0203.html indexId: d0573507724441544ebe276c4a9d8f68aaa2e12818350f0b6c6e5962392db76765 --- # 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。该特性支持的层及约束如下： **表1 支持的层以及约束** | 支持的层类型 | 约束 | 备注 | | --- | --- | --- | | MatMul | transpose\_a=False、transpose\_b=False、adjoint\_a=False、adjoint\_b=False | weight的输入来源不含有placeholder等可动态变化的节点，且weight的节点类型只能是const。 | | Conv2D | \- | weight的输入来源不含有placeholder等可动态变化的节点，且weight的节点类型只能是const。 | | Conv3D | dilation\_d为1，dilation\_h/dilation\_w >= 1 | weight的输入来源不含有placeholder等可动态变化的节点，且weight的节点类型只能是const。 | | DepthwiseConv2dNative | dilation为1 | weight的输入来源不含有placeholder等可动态变化的节点，且weight的节点类型只能是const。 | | Conv2DBackpropInput | dilation为1 | weight的输入来源不含有placeholder等可动态变化的节点，且weight的节点类型只能是const。 | #### 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，用户在TensorFlow原始网络推理的代码中导入库，并在特定的位置调用相应API，即可实现量化功能。工具运行流程如下：1. 用户首先构造TensorFlow的原始模型，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TensorFlow模型和量化配置文件，调用 quantize_preprocess 接口，对原始TensorFlow模型插入均衡量化相关算子，用于计算均衡量化相关参数。 3. 用户使用 2 输出的修改后的模型，借助AMCT提供的数据集和校准集，在TensorFlow环境中进行inference，可以得到均衡因子。 其中数据集用于在TensorFlow环境中对模型进行推理时，测试量化数据的精度；校准集用来产生均衡因子，保证精度。 4. 根据TensorFlow模型和量化配置文件，调用 quantize_model 接口对原始TensorFlow模型进行优化，修改后的模型中插入数据量化、权重量化等相关算子，用于计算量化相关参数。 5. 用户使用 4 输出的修改后的模型，借助AMCT提供的数据集和校准集，在TensorFlow环境中进行inference，可以得到量化因子。 6. 最后用户可以调用 save_model 接口，插入AscendQuant、AscendDequant等算子，保存为量化模型，该模型既可在TensorFlow环境中进行精度仿真又可以在AI处理器部署。 #### 调用示例 本章节详细给出量化数据均衡预处理的模板代码解析说明，通过解读该代码，用户可以详细了解AMCT的工作流程以及原理，方便用户基于已有模板代码进行修改，以便适配其他网络模型。 - 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_tensorflow as amct amct.set_logging_level(print_level='info', save_level='info') 2. （可选，由用户补充处理）在TensorFlow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TensorFlow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. （由用户补充处理）根据模型user_model.pb，准备好图结构tf.Graph。 1 ori_graph = user_load_graph() 4. 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 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, graph=ori_graph, 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相关的算子，用于计算均衡量化相关参数。 1 2 3 4 record_file = './tmp/record.txt' amct.quantize_preprocess(graph=ori_graph, config_file=config_file, record_file=record_file) 使用AMCT调用quantize_model接口对用户的原始TensorFlow模型进行图修改时，由于插入了searchN层导致尾层输出节点发生改变的场景，可以参见TensorFlow网络模型由于AMCT导致输出节点改变，如何通过修改量化脚本进行后续的量化动作进行处理。如果量化过程存在空tensor输入报错信息，请参见使用训练后量化进行量化时，量化过程存在空tensor输入报错信息进行处理。 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，计算均衡量化因子。 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，如果次数超出1，后续过程会失败。 ``` user_do_inference(ori_graph, calibration_data, batch_num) ``` 校准时提示“Invalid argument: You must feed a value for placeholder tensor **”，则请参见校准时提示“Invalid argument: You must feed a value for placeholder tensor **”进行处理。 d. 重新载入原始模型，基于原始模型进行修改，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 ori_graph = user_load_graph() amct.quantize_model(graph=ori_graph, config_file=config_file, record_file=record_file) 使用AMCT调用quantize_model接口对用户的原始TensorFlow模型进行图修改时，由于插入了searchN层导致尾层输出节点发生改变的场景，可以参见TensorFlow网络模型由于AMCT导致输出节点改变，如何通过修改量化脚本进行后续的量化动作进行处理。如果量化过程存在空tensor输入报错信息，请参见使用训练后量化进行量化时，量化过程存在空tensor输入报错信息进行处理。 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。 ``` user_do_inference(ori_graph, calibration_data, batch_num) ``` 校准时提示“Invalid argument: You must feed a value for placeholder tensor **”，则请参见校准时提示“Invalid argument: You must feed a value for placeholder tensor **”进行处理。 f. 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 5 quant_model_path = './results/user_model' amct.save_model(pb_model='user_model.pb', outputs=['user_model_outputs0', 'user_model_outputs1'], record_file=record_file, save_path=quant_model_path) 保存模型时提示“RuntimeError: cannot find shift_bit of layer ** in record_file”，则请参见保存模型时提示“RuntimeError: record_file is empty, no layers to be quantized”进行处理。 5. （可选，由用户补充处理）使用量化后模型user_model_quantized.pb和测试集（test_data），在TensorFlow环境下推理，测试量化后的仿真模型精度。 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_quantized.pb' user_do_inference(quant_model, test_data, test_iterations)