--- title: create_quant_config description: "| 产品 | 是否支持 |" url: https://www.hiascend.com/document/detail/zh/canncommercial/latest/devaids/amct/atlasamct_16_0213.html sourcePath: /source/zh/canncommercial/900/devaids/amct/atlasamct_16_0213.html indexId: 60a0721a1ac834fa958cd257657353ff49343d3965eb436a17d13e7d802f77c865 --- # create_quant_config #### 产品支持情况 | 产品 | 是否支持 | | --- | --- | | Atlas 350 加速卡 | √ | | Atlas A3 训练系列产品 / Atlas A3 推理系列产品 | √ | | Atlas A2 训练系列产品 / Atlas A2 推理系列产品 | √ | | Atlas 200I/500 A2 推理产品 | √ | | Atlas 推理系列产品 | √ | | Atlas 训练系列产品 | √ | #### 功能说明 训练后量化接口，根据图的结构找到所有可量化的层，自动生成量化配置文件，并将可量化层的量化配置信息写入文件。 #### 函数原型 ``` create_quant_config(config_file, graph, skip_layers=None, batch_num=1, activation_offset=True, config_defination=None) ``` #### 参数说明 | 参数名 | 输入/输出 | 说明 | | --- | --- | --- | | config\_file | 输入 | 含义：待生成的量化配置文件存放路径及名称。 如果存放路径下已经存在该文件，则调用该接口时会覆盖已有文件。 数据类型：string | | graph | 输入 | 含义：用户传入的待量化模型的tf.Graph图。 数据类型：tf.Graph | | skip\_layers | 输入 | 含义：tf.Graph图中不需要量化层的层名。 默认值：None 数据类型：list，列表中元素类型为string，比如['op1','op2','op3'] 使用约束：如果使用简易配置文件作为入参，则该参数需要在简易配置文件中设置，此时输入参数中该参数配置不生效。 | | batch\_num | 输入 | 含义：量化使用的batch数量，即使用多少个batch的数据生成量化因子。 数据类型：int 取值范围：大于0的整数 默认值：1 使用约束： batch\_num不宜过大，batch\_num与batch\_size的乘积为量化过程中使用的图片数量，过多的图片会占用较大的内存。 如果使用简易配置文件作为入参，则该参数需要在简易配置文件中设置，此时输入参数中该参数配置不生效。 | | activation\_offset | 输入 | 含义：数据量化是否带offset。 默认值：True 数据类型：bool 使用约束：如果使用简易配置文件作为入参，则该参数需要在简易配置文件中设置，此时输入参数中该参数配置不生效。 | | config\_defination | 输入 | 含义：训练后量化简易配置文件。 基于calibration\_config\_tf.proto文件生成的简易量化配置文件quant.cfg，\*.proto文件所在路径为：AMCT安装目录/amct\_tensorflow/proto/。\*.proto文件参数解释以及生成的quant.cfg简易量化配置文件样例请参见训练后量化简易配置文件。 默认值：None 数据类型：string 使用约束：当取值为None时，使用输入参数生成配置文件；否则，忽略输入的其他量化参数（skip\_layers，batch\_num，activation\_offset），根据简易量化配置文件参数config\_defination生成JSON格式的配置文件。 | #### 返回值说明 无 #### 调用示例 ``` import amct_tensorflow as amct # 建立待量化的网络图结构 network = build_network() # 生成量化配置文件 amct.create_quant_config(config_file="./configs/config.json", graph=tf.get_default_graph(), skip_layers=None, batch_num=1, activation_offset=True) ``` 生成的JSON格式的量化配置文件样例如下（重新执行量化时，该接口输出的量化配置文件将会被覆盖），参数解释请参见量化配置文件： - 训练后量化配置文件（数据量化使用 IFMR数据量化算法 ） 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 { "version":1, "batch_num":1, "activation_offset":true, "joint_quant":false, "do_fusion":true, "skip_fusion_layers":[], "tensor_quantize":[ { "layer_name": "MaxPool", "input_index": 0, "activation_quant_params":{ "num_bits":8, "act_algo":"hfmg", "num_of_bins":4096, "asymmetric":false } } ] "MobilenetV2/Conv/Conv2D":{ "quant_enable":true, "dmq_balancer_param":0.5, "activation_quant_params":{ "num_bits":8, "max_percentile":0.999999, "min_percentile":0.999999, "search_range":[ 0.7, 1.3 ], "search_step":0.01, "act_algo":"ifmr", "asymmetric":false }, "weight_quant_params":{ "num_bits":8, "wts_algo":"arq_quantize", "channel_wise":true } }, "MobilenetV2/Logits/AvgPool":{ "quant_enable":true, "dmq_balancer_param":0.5, "activation_quant_params":{ "num_bits":8, "max_percentile":0.999999, "min_percentile":0.999999, "search_range":[ 0.7, 1.3 ], "search_step":0.01, "act_algo":"ifmr", "asymmetric":false }, "weight_quant_params":{ "num_bits":8, "wts_algo":"arq_quantize", "channel_wise":false } } } - 训练后量化配置文件（数据量化使用 HFMG数据量化算法 ） 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 { "version":1, "batch_num":2, "activation_offset":true, "joint_quant":false, "do_fusion":true, "skip_fusion_layers":[], "MobilenetV2/Conv_1/Conv2D":{ "quant_enable":true, "dmq_balancer_param":0.5, "activation_quant_params":{ "num_bits":8, "act_algo":"hfmg", "num_of_bins":4096 "asymmetric":false }, "weight_quant_params":{ "num_bits":8, "wts_algo":"arq_quantize", "channel_wise":true } } }