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AMCT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。关于量化特性的分类请参见简介。

用户可以参见resnet-101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PyTorch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ONNX Runtime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。

• 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AMCT的部分，函数入参请根据实际情况进行调整。

1. 导入AMCT包，并通过安装后处理中的环境变量设置日志级别。

   1	import amct_pytorch as amct

2. （可选，由用户补充处理）在PyTorch原始环境中验证推理脚本及环境。

   建议使用原始待量化的模型和测试集，在PyTorch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。

   1	user_do_inference_torch(ori_model, test_data, test_iterations)

3. 调用AMCT，量化模型。
   1. 生成量化配置。

      1 2 3 4 5 6 7 8

      config_file = './tmp/config.json' skip_layers = [] batch_num = 1 amct.create_quant_config(config_file=config_file, model=ori_model, input_data=ori_model_input_data, skip_layers=skip_layers, batch_num=batch_num)

   2. 修改图，在图中插入数据量化，权重量化等相关的算子，用于计算量化相关参数。

      1 2 3 4 5 6 7

      record_file = './tmp/record.txt' modified_onnx_model = './tmp/modified_model.onnx' calibration_model = amct.quantize_model(config_file=config_file, modified_onnx_model=modified_onnx_model, record_file=record_file, model=ori_model, input_data=ori_model_input_data)

   3. （由用户补充处理）基于PyTorch环境，使用修改后的模型（calibration_model）在校准集（calibration_data）上做模型推理，生成量化因子。

      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. 前向推理的次数为batch_num，如果次数不够，后续过程会失败。

      1	user_do_inference_torch(calibration_model, calibration_data, batch_num)

   4. 保存模型。
      根据量化因子，调用save_model接口，插入AscendQuant、AscendDequant等算子，保存为量化模型。

      1 2 3 4

      quant_model_path = './results/user_model' amct.save_model(modified_onnx_file=modified_onnx_file, record_file=record_file, save_path=quant_model_path)

4. （可选，由用户补充处理）基于ONNX Runtime的环境，使用量化后模型（quant_model）在测试集（test_data）上做推理，测试量化后仿真模型的精度。
   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_fake_quant_model.onnx' user_do_inference_onnx(quant_model, test_data, test_iterations)