quantize_model

功能说明

训练后量化接口，将输入的待量化的图结构按照给定的量化配置文件进行量化处理，在传入的图结构中插入权重量化、数据量化相关的算子，生成量化因子记录文件record_file，返回修改后的torch.nn.module校准模型。

函数原型

calibration_model = quantize_model(config_file, modfied_onnx_file, record_file, model, input_data, input_names=None, output_names=None, dynamic_axes=None)

参数说明

参数名	输入/返回值	含义	使用限制
config_file	输入	用户生成的量化配置文件，用于指定模型network中量化层的配置情况。	数据类型：string
modfied_onnx_file	输入	文件名，用于存储融合后模型的onnx格式。	数据类型：string
record_file	输入	量化因子记录文件路径及名称。	数据类型：string
model	输入	待量化的模型，已加载权重。	数据类型：torch.nn.module
input_data	输入	模型的输入数据。一个torch.tensor会被等价为tuple（torch.tensor）。	数据类型：tuple
input_names	输入	模型的输入的名称，用于modfied_onnx_file中显示。	默认值：None 数据类型：list(string)
output_names	输入	模型的输出的名称，用于modfied_onnx_file中显示。	默认值：None 数据类型：list(string)
dynamic_axes	输入	对模型输入输出动态轴的指定，例如对于输入inputs（NCHW），N、H、W为不确定大小，输出outputs（NL），N为不确定大小，则dynamic_axes={"inputs": [0,2,3], "outputs": [0]}	默认值：None 数据类型：dict<string, dict<python:int, string>> or dict<string, list(int)>
calibration_model	返回值	修改后的torch.nn.module校准模型。	默认值：None 数据类型：torch.nn.module

返回值说明

返回修改后的torch.nn.module校准模型。

调用示例

      
           import amct_pytorch as amct
# 建立待量化的网络图结构
model = build_model()
model.load_state_dict(torch.load(state_dict_path))
input_data = tuple([torch.randn(input_shape)])

scale_offset_record_file = os.path.join(TMP, 'scale_offset_record.txt')
modified_model = os.path.join(TMP, 'modified_model.onnx')
# 插入量化API
calibration_model = amct.quantize_model(config_json_file,
                                        modified_model,
                                        scale_offset_record_file,
                                        model,
                                        input_data,
                                        input_names=['input'],
                                        output_names=['output'],
                                        dynamic_axes={'input':{0: 'batch_size'},
                                                      'output':{0: 'batch_size'}})

父主题： 训练后量化