快速入门

前提条件

已安装AMCT工具包。详情请参见工具安装。

获取样例代码

单击Link获取样例代码。

解析代码

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正常。
3. 编写训练后量化脚本调用AMCTAPI。
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AMCTAPI进行模型量化。

1. 导入AMCT包，调用set_logging_level接口设置日志级别。

   1 2	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。

   1	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。

   1 2	ori_model = 'user_model.pb' ori_graph = user_load_graph(ori_model)

4. 调用AMCT，量化模型。
   1. 生成量化配置。

      1 2 3 4 5

      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。

      1 2 3 4 5 6 7

      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。

      1	user_do_inference_on_npu(calibration_graph, calibration_outputs, calibration_data)

   4. 保存模型。

      1 2 3 4 5

      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。

   1 2	quant_model = './results/user_model_quantized.pb' user_do_inference_on_cpu(quant_model, test_data)

运行样例

参见获取的样例代码中的README，按照步骤执行训练后量化相关操作。