create_quant_config

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量化配置文件。

约束说明

由于数据格式转换，生成的量化配置文件中与简单配置文件中的量化参数，数值上不完全一致，但不影响精度。

函数原型

create_quant_config(config_file, network, *input_data, skip_layers=None, activation_offset=True, config_defination=None)

参数说明

参数名	输入/返回值	含义	使用限制
config_file	输入	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
network	输入	MindSpore中的网络模型定义。	数据类型：MindSpore的Cell对象
input_data	输入	用户网络输入数据（仅要求数据的format和shape正确，数据本身可以是随机生成的）	数据类型：可以转化为MindSpore Tensor的对象，比如numpy.ndarray对象。该参数是一个可变参数，支持用户网络有多个输入的场景
skip_layers	输入	可量化但不需要量化的层的层名。	默认值：None 数据类型：list，列表中元素类型为string 使用约束：关键字参数，因为前面的input_data是可变参数，如果使用该参数，需指明参数的关键字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	数据量化是否带offset。	默认值：True 数据类型：bool 使用约束：关键字参数，因为前面的input_data是可变参数，如果使用该参数，需指明参数的关键字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	基于calibration_config_mindspore.proto文件生成的简易量化配置文件quant.cfg，calibration_config_mindspore.proto文件所在路径为：昇腾模型压缩工具安装目录/amct_mindspore/proto/calibration_config_mindspore.proto。 calibration_config_mindspore.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说明。	默认值：None 数据类型：string 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，activation_offset），根据简易量化配置文件参数config_defination生成json格式的配置文件。关键字参数，因为前面的input_data是可变参数，如果使用该参数，需指明参数的关键字。

返回值说明

无。

函数输出

输出一个json格式的量化配置文件（重新执行量化时，该接口输出的量化配置文件将会被覆盖）。

{
    "version":1,
    "activation_offset":true,
    "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
            "asymmetric":false
        },
        "weight_quant_params":{
            "channel_wise":true
        }
    },
    "end_point":{
        "quant_enable":true,
        "activation_quant_params":{
            "max_percentile":0.999999,
            "min_percentile":0.999999,
            "search_range":[
                0.7,
                1.3
            ],
            "search_step":0.01
            "asymmetric":false
        },
        "weight_quant_params":{
            "channel_wise":false
        }
    },
    "layer1.0.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
            "asymmetric":false
        },
        "weight_quant_params":{
            "channel_wise":true
        }
    },
    "layer1.0.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
            "asymmetric":false
        },
        "weight_quant_params":{
            "channel_wise":true
        }
    }
}

调用示例

from amct_mindspore import create_quant_config
# 通过参数来生成量化配置文件
input_data = np.random.uniform(0.0, 1.0, size=[32, 1, 32, 32]).astype(np.float32)
create_quant_config("./configs/config.json",
                    network,
                    input_data,
                    skip_layers=None,
                    activation_offset=True)
# 通过简易配置文件来生成量化配置文件
create_quant_config("./configs/config.json",
                    network,
                    input_data,
                    config_defination="./configs/quant.cfg")

父主题： 训练后量化