restore_quant_retrain_model

功能说明

量化感知训练接口，训练中断后，基于量化感知训练保存的checkpoint和量化配置文件，进行网络模型的修改；加载输入的checkpoint file，输出修改后的retrain network，用户基于该retrain network可以继续进行量化感知训练。

约束说明

checkpoint file是通过量化感知训练保存得到的。

函数原型

retrain_network = restore_quant_retrain_model(config_file, network, checkpoint_path, *input_data)

参数说明

参数名	输入/返回值	含义	使用限制
config_file	输入	用户生成的量化感知训练配置文件路径。	数据类型：string 使用约束：该接口输入的config.json必须和create_quant_retrain_model接口输入的config.json一致。
network	输入	需要进行量化感知训练的MindSpore原始网络。	数据类型：MindSpore的Cell对象
checkpoint_path	输入	进行量化感知训练得到的checkpoint文件的路径	数据类型：string
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），用于图编译。	数据类型：可以转化为 MindSpore Tensor 的对象，比如numpy.ndarray 对象。该参数为可变参数，支持用户网络有多个输入的情况。
retrain_network	返回值	修改后的可以用于量化感知训练的网络模型。	数据类型：MindSpore的Cell对象

返回值说明

修改后的可以用于量化感知训练的网络模型。

函数输出

无。

调用示例

import amct_mindspore as amct
from amct_mindspore.initializer import UlqInitializer
import numpy as np

network = resnet(10)
network.set_train(True)
ckpt_path = os.path.join(CUR_DIR, './ckpt/resnet50.ckpt')
param_dict =load_checkpoint(ckpt_path)
load_param_into_net(network, param_dict)

input_data = np.random.uniform(0.0, 1.0, size=[32, 3, 224, 224]).astype(np.float32)
config_file = os.path.join(CUR_DIR, './retrain_quant_config.json')
# 1. create the quant config 
amct.create_quant_retrain_config(config_file,
        network,
        input_data)
# scale_offset_record.txt is the record file of calibration
initializer = UlqInitializer('./scale_offset_record.txt')

# 2. get the quant aware traing retrain_network
retrain_network = amct.create_quant_retrain_model(config_file, network, initializer, input_data)
# 3. train the retrain_network and save checkpoint file
......

# 4. restore the retrain_model from a checkpoint and keep on training
checkpoint_path = './resnet50_1-1562.ckpt'
retrain_network = amct.restore_quant_retrain_model(config_file, network, checkpoint_path, input_data)

父主题： 量化感知训练