模型适配

适配原理

适配原理如图1所示，蓝色部分为用户实现，灰色部分为用户调用昇腾模型压缩工具提供的convert_model实现，用户在Caffe原始网络推理的代码中导入库，并在特定的位置调用相应API，即可实现模型适配功能。

图1 模型适配原理

调用示例

1. 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。
2. 如果用户需要基于如下代码，对其他模型进行量化，需要准备原始未量化的模型，将用户自己准备的量化因子转换为量化因子记录文件。

1. 导入昇腾模型压缩工具包，并通过环境变量设置日志级别。

   import amct_caffe as amct

2. 设置设备运行模式。

   昇腾模型压缩工具支持CPU或GPU运行模式，若选择GPU模式，需要先设置Caffe的GPU运行设备模式，再设置昇腾模型压缩工具的设备模式；另外因为此处已经指定了运行设备，模型推理函数中无需再次配置运行设备：

   if 'gpu':
       caffe.set_mod_gpu()
       caffe.set_device(gpu_id)
       amct.set_gpu_mode()
   else:
       caffe.set_mode_cpu()

3. （可选，由用户补充处理）使用原始待量化的模型和测试集，在Caffe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。

   user_test_model(ori_model_file, ori_weights_file, test_data, test_iterations)

4. 调用convert_model接口，进行模型适配。
   该接口内部会将原始模型解析为graph形式，完成图的预处理操作>解析用户传入的量化因子文件>然后根据量化因子和修改后的图结构，插入AscendQuant、AscendDequant等算子，保存为量化模型。

   quant_model_path = './result/user_model'
   record_file = './result/record.txt'
   amct.convert_model(model_file=ori_model_file,
   		   weights_file=ori_weights_file,
   		   scale_offset_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fake_quant_model、fake_quant_weights和测试集，在Caffe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3中的原始精度做对比，可以观察量化对精度的影响。

   fake_quant_model = './result/user_model_fake_quant_model.prototxt'
   fake_quant_weights = './result/user_model_fake_quant_weights.caffemodel'
   user_test_model(fake_quant_model, fake_quant_weights, test_data, test_iterations)