基础量化

量化感知训练当前仅支持对FP32数据类型的网络模型进行量化。量化示例请参见获取更多样例>resnet_v1_50。量化感知训练支持量化的层以及约束如下：

表1 量化感知训练支持的层以及约束
支持的层类型	约束	备注
MatMul	transpose_a=False, transpose_b=False，adjoint_a=False，adjoint_b=False	-
Conv2D	由于硬件约束，原始模型中输入通道数Cin<=16时不建议进行量化感知训练，否则可能会导致量化后的部署模型推理时精度下降
DepthwiseConv2dNative	由于硬件约束，原始模型中输入通道数Cin<=16时不建议进行量化感知训练，否则可能会导致量化后的部署模型推理时精度下降
Conv2DBackpropInput	dilation为1 由于硬件约束，原始模型中输入通道数Cin<=16时不建议进行量化感知训练，否则可能会导致量化后的部署模型推理时精度下降
AvgPool	-	仅支持INT8量化。

接口调用流程

量化感知训练接口调用流程如图1所示。

图1 接口调用流程

蓝色部分为用户实现，灰色部分为用户调用AMCT提供的API实现，用户在TensorFlow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，即可实现量化功能。

简要流程如下：

用户构造训练模式的图结构，然后调用create_quant_retrain_config接口生成量化配置文件。
调用create_quant_retrain_model图修改接口，根据量化配置文件对训练的图进行量化前的图结构修改：插入数据量化，权重量化相关算子等。
训练模型，将参数保存为checkpoint文件。
调用create_quant_retrain_model接口，对推理模式的图进行修改：插入数据量化，权重量化相关算子等。
恢复训练参数，加载ckpt文件，推理量化的输出节点，将量化因子写入record文件，并将推理图固化为pb模型。
调用save_quant_retrain_model接口，插入AscendQuant/AscendDequant等量化算子，保存量化模型。

调用示例

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。
调用AMCT的部分，函数入参可以根据实际情况进行调整。量化感知训练基于用户的训练过程，请确保已经有基于TensorFlow环境进行训练的脚本，并且训练后的精度正常。

导入AMCT包，设置日志级别。

import amct_tensorflow as amct
amct.set_logging_level(print_level='info', save_level='info')

（可选，由用户补充处理）创建图并读取训练好的参数，在TensorFlow环境下推理，验证环境、推理脚本是否正常。
推荐执行该步骤，以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_evaluate_model(evaluate_model, test_data)
```
（由用户补充处理）创建训练图。
```
train_graph = user_load_train_graph()
```
调用AMCT，执行带量化参数的训练流程。
1. 生成量化配置。
  用户基于构造的训练模式的图结构（BN的is_training参数为True），调用create_quant_retrain_config接口生成量化配置文件（对应图1中的序号1）。
```
config_file = './tmp/config.json'
simple_cfg = './retrain.cfg'
amct.create_quant_retrain_config(config_file=config_file,
                                 graph=train_graph,
                                 config_defination=simple_cfg)
```
2. 修改训练模式的图。
  调用量化图修改接口create_quant_retrain_model，根据量化配置文件对训练的图进行量化前的图结构修改：在图中插入数据量化、权重量化等相关算子，用于计算量化相关参数（对应图1中的序号2）。
```
record_file = './tmp/record.txt'
retrain_ops = amct.create_quant_retrain_model(graph=train_graph,
					      config_file=config_file,
					      record_file=record_file)
```
3. （由用户补充处理）使用修改后的图，创建反向梯度，在训练集上做训练，训练量化因子。
  1. 使用修改后的图，调用自适应学习率优化器（RMSPropOptimizer）建立反向梯度图。该步骤需要在4.b后执行。
```
    optimizer = tf.compat.v1.train.RMSPropOptimizer(
        ARGS.learning_rate, momentum=ARGS.momentum)
    train_op = optimizer.minimize(loss)
```
  1. 创建会话，进行模型的训练，并将训练后的参数保存为checkpoint文件（对应图1中的序号3，4）。
    注意：从训练好的checkpoint恢复模型参数后再训练；训练中保存的参数应该包括量化因子。
```
with tf.Session() as sess:
     sess.run(tf.compat.v1.global_variables_initializer())
     sess.run(outputs)
     #将训练后的参数保存为checkpoint文件
     saver_save.save(sess, retrain_ckpt, global_step=0)
```
（由用户补充处理）创建推理图。
```
test_graph = user_load_test_graph()
```

调用AMCT，实现量化感知训练。

修改推理模式的图。
用户基于构造的推理模式的图结构（BN的is_training参数为False），调用量化图修改接口create_quant_retrain_model，根据量化配置文件对推理的图进行量化前的图结构修改：在图中插入数据量化、权重量化等相关算子（对应图1中的序号5）。
```
record_file = './tmp/record.txt'
retrain_ops = amct.create_quant_retrain_model(graph=train_graph,
					      config_file=config_file,
					      record_file=record_file)
```

（由用户补充处理）创建会话，恢复训练参数，推理量化的输出节点（retrain_ops[-1]），将量化因子写入record文件，并将推理图固化为pb模型（对应图1中的序号6，7）。

说明：推理和恢复的参数要在同一session中，推理执行的是retrain_ops[-1]的输出tensor；推理图固化为pb模型时，包含训练好的参数。

variables_to_restore = tf.compat.v1.global_variables()
saver_restore = tf.compat.v1.train.Saver(variables_to_restore)
with tf.Session() as sess:
     sess.run(tf.compat.v1.global_variables_initializer())
     #恢复训练参数
     saver_restore.restore(sess, retrain_ckpt)
     #推理量化的输出节点（retrain_ops[-1]），将量化因子写入record文件
     sess.run(retrain_ops[-1])
     #固化pb模型
     constant_graph = tf.compat.v1.graph_util.convert_variables_to_constants(
          sess, eval_graph.as_graph_def(), [output.name[:-2] for output in outputs])
     with tf.io.gfile.GFile(frozen_quant_eval_pb, 'wb') as f:
          f.write(constant_graph.SerializeToString())

保存量化模型。

根据量化因子以及pb文件，调用save_quant_retrain_model接口，插入AscendQuant、AscendDequant等算子，保存为量化模型（对应图1中的序号8）。

quant_model_path = './result/user_model'
amct.save_quant_retrain_model(pb_model=trained_pb,
                              outputs=user_model_outputs,
                              record_file=record_file,
                              save_path=quant_model_path)

（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(quant_model, test_data)
```

父主题： 量化感知训练