--- 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_0271.html sourcePath: /source/zh/canncommercial/900/devaids/amct/atlasamct_16_0271.html indexId: e29c1b64949c1d2c40f3820fca847ca8682d0ce7a1bc8fd00561efc221d3291965 --- # create_quant_config #### 产品支持情况 | 产品 | 是否支持 | | --- | --- | | Atlas 350 加速卡 | x | | Atlas A3 训练系列产品 / Atlas A3 推理系列产品 | x | | Atlas A2 训练系列产品 / Atlas A2 推理系列产品 | x | | 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配置文件。 #### 函数原型 ``` create_quant_config(config_file, model_file, weights_file, 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 | | model\_file | 输入 | 含义：用户Caffe模型的定义文件，格式为.prototxt。 数据类型：string | | weights\_file | 输入 | 含义：用户训练好的Caffe模型权重文件，格式为.caffemodel。 数据类型：string | | skip\_layers | 输入 | 含义：可量化但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 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：基于calibration\_config\_caffe.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\_caffe/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：字符串 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），根据简易配置文件参数config\_defination生成JSON格式的配置文件。 | #### 返回值说明 无 #### 约束说明 由于数据格式转换，生成的量化配置文件中与简易配置文件中的量化参数，数值上不完全一致，但不影响精度。 #### 调用示例 ``` from amct_caffe import create_quant_config # 通过参数来生成量化配置文件 create_quant_config(config_file="./configs/config.json", model_file="./pretrained_model/model.prototxt", weights_file="./pretrained_model/model.caffemodel", skip_layers=None, batch_num=1, activation_offset=True) # 通过简易配置文件来生成量化配置文件 create_quant_config(config_file="./configs/config.json", model_file="./pretrained_model/model.prototxt", weights_file="./pretrained_model/model.caffemodel", config_defination="./configs/quant.cfg") ``` 落盘文件说明： 生成一个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 { "version":1, "batch_num":2, "activation_offset":true, "joint_quant":false, "do_fusion":true, "skip_fusion_layers":[], "conv1":{ "quant_enable":true, "activation_quant_params":{ "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":{ "wts_algo":"arq_quantize", "channel_wise":true } }, "conv2":{ "quant_enable":true, "activation_quant_params":{ "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":{ "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 { "version":1, "batch_num":2, "activation_offset":true, "joint_quant":false, "do_fusion":true, "skip_fusion_layers":[], "conv1":{ "quant_enable":true, "activation_quant_params":{ "act_algo":"hfmg", "num_of_bins":4096, "asymmetric":false }, "weight_quant_params":{ "wts_algo":"arq_quantize", "channel_wise":true } } }