---
title: 手工量化
description: "本节详细介绍训练后量化支持的量化层，接口调用流程和示例。"
url: https://www.hiascend.com/document/detail/zh/canncommercial/latest/devaids/amct/atlasamct_16_0322.html
sourcePath: /source/zh/canncommercial/900/devaids/amct/atlasamct_16_0322.html
indexId: b670eef203f6749d0ce5d560b36d4c4e4a0557f0a9a224a4a48747e27a8fb12a65
---
# 手工量化

本节详细介绍训练后量化支持的量化层，接口调用流程和示例。

训练后量化支持量化的层以及约束如下，量化过程请参见样例列表。


**表1 训练后量化支持的层以及约束**

| 支持的层类型 | 约束 | 备注 |
| --- | --- | --- |
| MatMul：全连接层 | transpose\_a=False、transpose\_b=False、adjoint\_a=False、adjoint\_b=False | \- |
| BatchMatMul/BatchMatMulV2 | adjoint\_a=False、adjoint\_b=False | \- |
| Conv2D：卷积层 | \- | 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：Depthwise卷积层 | dilation=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：反卷积层 | dilation=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。 |
| AvgPool：平均下采样层 | \- | \- |


#### 接口调用流程

训练后量化接口调用流程如图1所示：

图1 训练后量化接口调用流程

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。工具使用分为如下两种场景，本手册重点介绍使用NPU在线推理场景。使用TensorFlow CPU推理的详细操作请参见训练后量化。- 使用NPU在线推理：

  1. 用户首先构造TensorFlow的原始模型，然后使用    create_quant_config_ascend
接口生成量化配置文件。
  2. 根据TensorFlow模型和量化配置文件，即可调用    quantize_model_ascend
接口对原始TensorFlow模型进行优化，修改后的模型中包含了量化算法，用户使用该模型借助AMCT提供的数据集和校准集，在NPU环境中进行在线推理，可以得到量化因子。
    其中数据集用于在NPU环境中对模型进行推理时，测试量化数据的精度；校准集用来产生量化因子，保证精度。

  3. 最后用户可以调用    save_model_ascend
接口保存量化后的模型，该模型可在NPU环境中部署。
- 使用TensorFlow CPU推理：

  - 场景1：

    1. 用户首先构造TensorFlow的原始模型，然后使用      create_quant_config
接口生成量化配置文件。
    2. 根据TensorFlow模型和量化配置文件，即可调用      quantize_model
接口对原始TensorFlow模型进行优化，修改后的模型中包含了量化算法，用户使用该模型借助AMCT提供的数据集和校准集，在TensorFlow CPU环境中进行推理，可以得到量化因子。
      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；校准集用来产生量化因子，保证精度。

    3. 最后用户可以调用      save_model
接口保存量化后的模型，该模型可在TensorFlow CPU环境中进行精度仿真。
  - 场景2：
    如果用户不使用场景1中的接口，而是用自己计算得到的量化因子以及TensorFlow原始模型，生成量化模型，则需要使用convert_model接口完成相关量化动作。


#### 调用示例

训练后量化主要包括如下几个步骤：

1. 准备训练好的模型和数据集。
2. 在原始TensorFlow环境中验证模型精度以及环境是否正常。
3. 编写训练后量化脚本调用AMCTAPI。
4. 执行训练后量化脚本。
5. 在原始TensorFlow环境中验证量化后仿真模型精度。

如下流程详细演示如何编写脚本调用AMCT API进行模型量化。

- 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，调用set_logging_level接口设置日志级别。
  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）建议使用原始待量化的模型和测试集，基于TensorFlow在NPU环境下在线推理，验证环境、推理脚本是否正常。
执行该步骤时，需要注意如下两点：

  a. 推荐执行该步骤，确保原始模型可以在NPU完成推理且精度正常，如果该步骤无法完成，则将无法进行量化操作；如果该步骤的推理精度不满足要求，则后续量化精度结果将不可信。
  b. 执行该步骤时，可以使用部分测试集，减少运行时间。
```
user_do_inference_on_npu(ori_model, test_data)
```

3. （由用户补充处理）根据原始模型user_model.pb，准备好图结构tf.Graph。
  1 2 ori_model = 'user_model.pb' ori_graph = user_load_graph(ori_model)

4. 调用AMCT，量化模型。

  a. 生成量化配置。
    1 2 3 4 5 config_file = './tmp/config.json' skip_layers = [] amct.create_quant_config_ascend(config_file=config_file, graph=ori_graph, skip_layers=skip_layers)

  b. 修改图，在图中插入量化相关的算子。
    1 2 3 4 5 6 7 record_file = './tmp/record.txt' user_model_outputs = ['user_model_outputs0', 'user_model_outputs1'] calibration_graph, calibration_outputs = amct.quantize_model_ascend( graph=ori_graph, config_file=config_file, record_file=record_file, outputs=user_model_outputs)

  c. （由用户补充处理）使用修改后的图在校准集上做在线推理，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. 量化后图的calibration_graph输出为calibration_outputs，在线推理时都要执行。
    3. 前向推理次数为batch_num，如果次数不足，由于校准算子没有将量化因子输出到record文件中，会导致后续读取record校验失败。
```
user_do_inference_on_npu(calibration_graph, calibration_outputs, calibration_data)
```

  d. 保存模型。
    1 2 3 4 5 quant_model_path = './results/user_model' amct.save_model_ascend(pb_model=ori_model, outputs=user_model_outputs, record_file=record_file, save_path=quant_model_path)

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，在TensorFlow CPU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_on_cpu(quant_model, test_data)