快速入门

本章节以压缩特性中的量化功能为例，为您介绍如何使用AMCT压缩一个模型。

AMCT支持命令行方式和Python API接口方式量化原始网络模型，命令行方式相比Python API接口方式有以下优点：

表1 量化方式比较

命令行方式

Python API接口方式

量化准备动作简单，只需准备模型和模型匹配的数据集即可。

需要了解Python语法和量化流程。

量化过程简单，只涉及参数选择，无需对量化脚本进行适配。

需要适配修改量化脚本。

当前仅支持如下特性：

  • 训练后量化中的均匀量化。
  • 模型适配中的QAT模型适配Ascend模型。

支持量化的所有功能。

本章节以sample中MobileNet V2网络模型为例，为您介绍如何借助命令行方式快速体验量化一个模型，Python API接口方式请参见量化。

  1. 获取sample软件包。

    1. 单击Link获取sample软件包，并上传到AMCT所在服务器任意路径，例如上传到：$HOME/software/AMCT_Pkg/amct_sample。
    2. 解压sample软件包。

      切换到amct_sample目录，执行如下命令解压sample包。

      unzip samples-master.zip
cd samples-master/python/level1_single_api/9_amct/amct_tensorflow/cmd

      获得如下目录信息：

      |-- README_CN.md
|-- data                                     # 数据集存放路径
|-- model                                    # TensorFlow模型文件所在目录
|-- scripts
|   |-- run_calibration.sh                   # 执行量化封装脚本
|   |-- run_convert_qat.sh                   # QAT模型适配CANN模型命令行脚本
|   |-- run_customized_calibration.sh        # 用户自定义的训练后量化脚本
|-- src
    |-- evaluator.py                         #系统内置的，基于“Evaluator”基类并且包含evaluator评估器的python脚本
    |-- process_data.py                      # 数据集预处理脚本

  2. 执行量化。

    1. 获取待量化的TensorFlow网络模型。

      单击Link获取MobileNet V2网络模型，解压后将其中的（*.pb）文件，以AMCT软件包运行用户上传至Linux服务器sample目录amct_tensorflow/cmd/model。

    2. 准备模型相匹配的二进制数据集。
      1. 切换到amct_tensorflow/cmd/data，依次执行如下命令，用于下载校准数据集。
        cd amct_tensorflow/cmd/data
mkdir image && cd image
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/models/amct_acl/classification/calibration.rar
unrar e calibration.rar

        上述命令执行完成后，在image/calibration目录会生成*.jpg格式数据集。

      2. 在amct_tensorflow/cmd目录，执行如下命令将calibration目录下*.jpg格式数据集转换为bin格式数据集。
        python3 ./src/process_data.py

        执行完成后，在data目录会生成新的calibration目录，并在该目录生成calibration.bin格式数据集。

    3. 在任意目录执行如下命令进行网络模型的量化操作。如下命令中使用的目录以及文件均为样例，请以实际为准。
      amct_tensorflow calibration --model=./model/mobilenet_v2_1.0_224_frozen.pb --save_path=./results/mobilenet_v2 --outputs="MobilenetV2/Predictions/Reshape_1:0"  --input_shape="input:32,224,224,3" --data_dir="./data/calibration/" --data_types="float32"

      amct_tensorflow二进制所在路径为安装用户$HOME/.local/bin目录。用户可以通过amct_tensorflow calibration --help命令查看命令行涉及的所有参数，关于参数的详细解释以及使用方法请参见命令行参数说明。

      AMCT的sample还提供了2.c量化命令以及2.b.ii中数据集预处理脚本的封装脚本run_calibration.sh，用户准备完模型以及下载好数据集后，可以直接使用该脚本执行量化，切换到amct_tensorflow/cmd目录，执行如下命令：

      bash ./scripts/run_calibration.sh
    4. 若提示如下信息且无Error日志信息，则说明模型量化成功。
      INFO - [AMCT]:[save_model]: The model is saved in $HOME/xxx/results/mobilenet_v2_quantized.pb

      量化后生成文件说明如下：

      1. amct_log/amct_tensorflow.log：记录了工具的日志信息，包括量化过程的日志信息。
      2. results：
        1. mobilenet_v2_quantized.pb：量化后的可在TensorFlow环境进行精度仿真并可在昇腾AI处理器部署的模型。
        2. mobilenet_v2_quant.json：量化信息文件（该文件名称和量化后模型名称保持统一），记录了量化模型同原始模型节点的映射关系，用于量化后模型同原始模型精度比对使用。
      3. （可选）随机数_时间戳：该目录只有set_logging_level接口打屏日志级别设置为debug才会生成。
        1. quant_config.json：量化配置文件，描述了如何对模型中的每一层进行量化。如果当前目录已经存在量化配置文件，则再次进行量化时，如果新生成的量化配置文件与已有的文件同名，则会覆盖已有的量化配置文件，否则生成新的量化配置文件。
        2. 实际量化过程中，如果量化后的模型推理精度不满足要求，则用户可以根据量化后的quant_config.json，自行构造简易配置文件config.cfg，构造原则请参见调优流程。然后使用--calibration_config参数重新进行量化。通过该文件用户可以自行决定校准使用的数据量，以及控制哪些层进行量化等。
        3. record.txt：记录量化因子的文件。关于该文件的原型定义请参见record记录文件。

父主题： AMCT工具（TensorFlow）