手工调优

执行训练后量化特性的精度如果不满足要求，可以尝试手动调整config.json文件中的参数，本节给出调整的原则，以及参数解释。

调优流程

通过create_quant_config接口生成的config.json文件中的默认配置进行量化，若量化后的推理精度不满足要求，则可调整量化配置重复量化，直至精度满足要求。本节详细介绍手动调优流程，调整对象是训练后量化配置文件config.json中的参数，主要涉及3个阶段：

调整校准使用的数据量。
跳过量化某些层。
调整量化算法及参数。

具体步骤如下：

根据create_quant_config接口生成的默认配置进行量化。若精度满足要求，则调参结束，否则进行2。
手动修改batch_num，调整校准使用的数据量。
batch_num控制量化使用数据的batch数目，可根据batch大小以及量化需要使用的图片数量调整。通常情况下：

batch_num越大，量化过程中使用的数据样本越多，量化后精度损失越小；但过多的数据并不会带来精度的提升，反而会占用较多的内存，降低量化的速度，并可能引起内存、显存、线程资源不足等情况；因此，建议batch_num*batch_size为16或32（batch_size表示每个batch使用的图片数量）。
若按照2中的量化配置进行量化后，精度满足要求，则调参结束，否则进行4。
手动修改quant_enable，跳过量化某些层。
quant_enable可以指定该层是否量化，取值为true时量化该层，取值为false时不量化该层，将该层的配置删除也可跳过该层量化。

在整网精度不达标的时候需要识别出网络中的量化敏感层（量化后误差显著增大），然后取消对量化敏感层的量化动作，识别量化敏感层有两种方法：
1. 依据网络模型结构，一般网络中首层、尾层以及参数量偏少的层，量化后精度会有较大的下降。
2. 通过精度比对工具，逐层比对原始模型和量化后模型输出误差（例如以余弦相似度作为标准，需要相似度达到0.99以上），找到误差较大的层，优先对其进行回退。
若按照4中的量化配置进行量化后，精度满足要求，则调参结束，否则进行6。
手动修改activation_quant_params和weight_quant_params，调整量化算法及参数：
算法参数意义请参见参数说明，算法说明请参见训练后量化算法。
若按照6中的量化配置进行量化后，精度满足要求，则调参结束，否则表明量化对精度影响很大，不能进行量化，去除量化配置。

图1 调参流程

量化配置文件

如果通过create_quant_config接口生成的config.json量化配置文件，推理精度不满足要求，则需要参见该章节不断调整config.json文件中的内容，直至精度满足要求，该文件部分内容样例如下：

均匀量化配置文件（数据量化使用IFMR数据量化算法）

        
         
           
           
             {
    "version":1,
    "batch_num":2,
    "activation_offset":true,
    "joint_quant":false,
    "do_fusion":true,
    "skip_fusion_layers":[],
    "tensor_quantize":[
      {
         "layer_name": "maxpool_ld_default",
         "input_index":0,
         "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
          }
       }
    },
    "layer_name1":{
        "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
        }
    },
    "layer_name2":{
        "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
        }
    }
}

            

          

        
       

均匀量化配置文件（数据量化使用HFMG数据量化算法）

        
         
           
           
             {
    "version":1,
    "batch_num":2,
    "activation_offset":true,
    "do_fusion":true,
    "skip_fusion_layers":[],
    "tensor_quantize":[
      {
         "layer_name": "maxpool_ld_default",
         "input_index":0,
         "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":"hfmg"
             "asymmetric":false
          }
       }
    },
    "layer_name1":{
        "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
        }
    }
}

            

          

        
       

参数说明

配置文件中参数说明如下：

表1 version参数说明
作用	控制量化配置文件版本号
类型	int
取值范围	1
参数说明	目前仅有一个版本号1。
推荐配置	1
可选或者必选	可选

表2 batch_num参数说明
作用	控制量化使用多少个batch的数据。
类型	int
取值范围	大于0
参数说明	如果不配置，则使用默认值1，建议校准集图片数量不超过50张，根据batch的大小batch_size计算相应的batch_num数值。 batch_num*batch_size为量化使用的校准集图片数量。其中batch_size为每个batch所用的图片数量。
推荐配置	1
必选或可选	可选

表3 activation_offset参数说明
作用	控制数据量化是对称量化还是非对称量化。全局配置参数。若配置文件中同时存在activation_offset和asymmetric参数，asymmetric参数优先级>activation_offset参数。
类型	bool
取值范围	true或false
参数说明	true：数据量化时为非对称量化。 false：数据量化时为对称量化。
推荐配置	true
必选或可选	可选

表4 joint_quant参数说明
作用	是否进行Eltwise联合量化。
类型	bool
取值范围	true或false
参数说明	true：进行Eltwise联合量化。 false：关闭联合量化功能。
推荐配置	false
必选或可选	可选

表5 do_fusion参数说明
作用	是否开启融合功能。
类型	bool
取值范围	true或false
参数说明	true：开启融合功能。 false：不开启融合功能。当前仅支持Conv+BN融合。
推荐配置	true
可选或必选	可选

表6 skip_fusion_layers参数说明
作用	跳过可融合的层。
类型	string
取值范围	可融合层的层名。当前仅支持Conv+BN融合。
参数说明	不需要做融合的层。
推荐配置	-
可选或必选	可选

表7 layer_config参数说明
作用	指定某个网络层的量化配置。
类型	object
取值范围	-
参数说明	参数内部包含如下参数： quant_enable activation_quant_params weight_quant_params
推荐配置	-
必选或可选	可选

表8 quant_enable参数说明
作用	该层是否做量化。
类型	bool
取值范围	true或false
参数说明	true：量化该层。 false：不量化该层。
推荐配置	true
必选或可选	可选

表9 dmq_balancer_param参数说明
作用	DMQ均衡算法中的迁移强度。
类型	float
取值范围	[0.2, 0.8]
参数说明	代表将activation数据上的量化难度迁移至weight权重的程度，数据分布的离群值越大迁移强度应设置较小。
推荐配置	0.5
必选或可选	可选

**表10** activation_quant_params参数说明
作用	该层数据量化的参数。
类型	object
取值范围	-
参数说明	activation_quant_params内部包含如下参数，IFMR算法相关参数与HFMG算法相关参数在同一层中不能同时出现： IFMR数据量化算法涉及参数： max_percentile min_percentile search_range search_step act_algo num_bits asymmetric HFMG数据量化算法涉及参数： act_algo num_of_bins num_bits asymmetric
推荐配置	-
必选或可选	可选

**表11** weight_quant_params参数说明
作用	该层权重量化的参数。
类型	object
取值范围	-
参数说明	均匀量化场景，包括如下参数： num_bits wts_algo channel_wise
推荐配置	-
必选或可选	可选

**表12** num_bits参数说明
作用	量化位宽。
类型	int
取值范围	8或16
参数说明	当前仅支持配置为8，表示采用INT8量化位宽。
推荐配置	-
必选或可选	必选

**表13** act_algo参数说明
作用	数据量化算法。
类型	string
取值范围	ifmr或者hfmg
参数说明	IFMR数据量化算法：ifmr HFMG数据量化算法：hfmg
推荐配置	-
必选或可选	可选

**表14** asymmetric参数说明
作用	控制数据量化是对称量化还是非对称量化。用于控制逐层量化算法的选择。若配置文件中同时存在activation_offset和asymmetric参数，asymmetric参数优先级>activation_offset参数。
类型	bool
取值范围	true或false
参数说明	true：数据量化时为非对称量化。 false：数据量化时为对称量化。
推荐配置	true
必选或可选	可选

**表15** max_percentile参数说明
作用	IFMR数据量化算法中，最大值搜索位置参数。
类型	float
取值范围	（0.5,1]
参数说明	在从大到小排序的一组数中，决定取第多少大的数，比如有100个数，1.0表示取第100-100*1.0=0，对应的就是第一个大的数。对待量化的数据做截断处理时，该值越大，说明截断的上边界越接近待量化数据的最大值。
推荐配置	0.999999
必选或可选	可选

**表16** min_percentile参数说明
作用	IFMR数据量化算法中，最小值搜索位置参数。
类型	float
取值范围	（0.5,1]
参数说明	在从小到大排序的一组数中，决定取第多少小的数，比如有100个数，1.0表示取第100-100*1.0=0，对应的就是第一个小的数。对待量化的数据做截断处理时，该值越大，说明截断的下边界越接近待量化数据的最小值。
推荐配置	0.999999
必选或可选	可选

**表17** search_range参数说明
作用	IFMR数据量化算法中，控制量化因子的搜索范围[search_range_start, search_range_end]。
类型	list，列表中两个元素类型为float。
取值范围	0<search_range_start<search_range_end
参数说明	控制截断的上边界的浮动范围。 search_range_start：决定搜索开始的位置。 search_range_end：决定搜索结束的位置。
推荐配置	[0.7,1.3]
必选或可选	可选

**表18** search_step参数说明
作用	IFMR数据量化算法中，控制量化因子的搜索步长。
类型	float
取值范围	(0, (search_range_end-search_range_start)]
参数说明	控制截断的上边界的浮动范围步长，值越小，浮动步长越小。
推荐配置	0.01
必选或可选	可选

**表19** num_of_bins参数说明
作用	HFMG数据量化算法用于调整直方图的bin（直方图中的一个最小单位直方图形）数目。
类型	unsigned int
取值范围	{1024, 2048, 4096, 8192}
参数说明	num_of_bins数值越大，直方图拟合原始数据分布的能力越强，可能获得更佳的量化效果，但训练后量化过程的耗时也会更长。
推荐配置	4096
必选或可选	HFMG算法量化场景下，该参数可选。

**表20** wts_algo参数说明
作用	权重量化算法
类型	string
取值范围	arq_quantize
参数说明	ARQ权重量化算法：arq_quantize
推荐配置	-
必选或可选	可选

**表21** channel_wise搜索相关参数说明
作用	ARQ权重量化算法中，是否对每个channel采用不同的量化因子。
类型	bool
取值范围	true或false
参数说明	true：每个channel独立量化，量化因子不同。 false：所有channel同时量化，共享量化因子。
推荐配置	true
必选或可选	可选

**表22** tensor_quantize参数说明
作用	指定某个网络层的量化配置。
类型	object
取值范围	-
参数说明	参数内部包含如下参数： layer_name input_index activation_quant_params
推荐配置	-
必选或可选	可选

**表23** layer_name参数说明
作用	需要对节点输入Tensor进行训练后量化的节点名称。
类型	string
取值范围	-
参数说明	当前仅支持对MaxPool算子的输入Tensor进行量化。
推荐配置	-
必选或可选	必选

**表24** input_index参数说明
作用	需要对节点输入Tensor进行训练后量化的节点的输入索引。
类型	uint32
取值范围	-
参数说明	节点的输入索引。
推荐配置	-
必选或可选	必选

父主题： 手工量化