快速入门

前提条件

已安装AMCT工具包。详情请参见工具安装。

获取样例代码

单击Link获取样例代码。

解析代码

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MindSpore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。

如下流程详细演示如何编写脚本调用AMCTAPI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，设置日志级别。

   1 2	import amct_mindspore as amct amct.set_logging_level(print_level='info', save_level='info')

2. （由用户补充处理）准备网络，恢复训练参数，并将网络设置到测试状态。
   1. 创建网络。

      1	ori_network = user_create_network()

   2. 恢复训练参数。

      1 2	param_dict = load_checkpoint(user_network_checkpoint) load_param_into_net(ori_network, param_dict)

   3. 设置网络状态。

      1	ori_network.set_train(False)

3. （可选，由用户补充处理）在MindSpore原始环境中验证推理脚本及环境。

   建议使用原始待量化的模型和测试集，在MindSpore环境下推理，验证环境、推理脚本是否正常。

   推荐执行该步骤，请确保原始模型可以完成推理且精度正常；执行该步骤时，可以使用部分测试集，减少运行时间。

   1	user_do_inference(ori_network, test_data, test_iterations)

4. 调用AMCT，量化模型。
   1. 生成量化配置。

      1 2 3 4 5 6 7

      config_file = './tmp/config.json' skip_layers = [] fake_input_data = np.random.uniform(0.0, 1.0, size=ori_network_input_shape).astype(np.float32) amct.create_quant_config(config_file=config_file, network=ori_network, input_data=fake_input_data, skip_layers=skip_layers)

   2. 修改网络模型，在模型中插入数据量化，权重量化等相关的算子，用于计算量化相关参数。

      1 2 3 4

      record_file = './tmp/record.txt' calibration_network = amct.quantize_model(config_file=config_file, network=ori_network, input_data=fake_input_data)

   3. （由用户补充处理）基于MindSpore环境，使用修改后的模型（calibration_network）在校准集（calibration_data）上做模型推理，找到量化因子。

      该步骤执行时，需要注意：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。

      1	user_do_inference(calibration_network, calibration_data)

   4. 保存量化模型。
      根据量化因子，调用save_model接口，插入AscendQuant、AscendDequant等算子，保存为可部署的量化模型。

      1 2 3 4

      quant_network_path = './results/user_network' amct.save_model(file_name=quant_network_path, network=calibration_network, input_data=fake_input_data)

运行样例

参见获取的样例代码中的README，按照步骤执行训练后量化相关操作。