下载
中文
注册
我要评分
文档获取效率
文档正确性
内容完整性
文档易理解
在线提单
论坛求助
昇腾小AI

快速入门

本章节详细给出量化压缩特性中训练后量化的模板代码解析说明,通过解读该代码,用户可以详细了解昇腾模型压缩工具的工作流程以及原理,方便用户基于已有模板代码进行修改,以便适配其他网络模型的量化。

用户可以参见mobilenetv2获取本章节的sample示例代码。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TensorFlow环境中验证模型精度以及环境是否OK。
  3. 编写训练后量化脚本调用昇腾模型压缩工具API。
  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昇腾模型压缩工具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。
  • 如下示例调用昇腾模型压缩工具的部分,函数入参请根据实际情况进行调整。
  1. 导入昇腾模型压缩工具包,设置日志级别。
    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:

    1. 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。
    2. 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。
    ori_model = 'user_model.pb'
    ori_graph = user_load_graph(ori_model)
  4. 调用昇腾模型压缩工具,量化模型。
    1. 生成量化配置。
      config_file = './tmp/config.json'
      skip_layers = []
      amct.create_quant_config_ascend(config_file=config_file,
      				graph=ori_graph,
      				skip_layers=skip_layers)
    2. 修改图,在图中插入量化相关的算子。
      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)
    3. (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。
      user_do_inference_on_npu(calibration_graph, calibration_outputs, calibration_data)
    4. 保存模型。
      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。

    quant_model = './results/user_model_quantized.pb'
    user_do_inference_on_cpu(quant_model, test_data)
搜索结果
找到“0”个结果

当前产品无相关内容

未找到相关内容,请尝试其他搜索词