训练后量化（MindSpore）

操作步骤

1. 用户自行准备预训练模型和数据集。本样例以 ResNet50为例，获取模型结构定义脚本，并参考README下载所需数据集， 以cifar10为例，在config/resnet50_cifar10_config.yaml里配置data_path和checkpoint_file_path，并在eval.py的基础上进行修改。
2. 新建模型量化脚本resnet50_quant.py，将eval.py内容复制到该文件中，删除eval_net()函数中定义损失，定义metric，计算metric相关的代码，保留如下初始化模型和加载权重相关的代码，并修改加粗字体信息。

   …
       target = config.device_target
       # init context
       ms.set_context(mode=ms.GRAPH_MODE, device_target=target, save_graphs=False)
       if target == "Ascend":
           device_id = int(os.getenv('DEVICE_ID'))
           ms.set_context(device_id=device_id)
       # create dataset
       dataset = create_dataset(dataset_path=config.data_path, do_train=False, batch_size=config.batch_size,
                                eval_image_size=config.eval_image_size,
                                target=target)
       # define net
       model = resnet(class_num=config.class_num)
       # load checkpoint
       param_dict = ms.load_checkpoint(config.checkpoint_file_path)
       ms.load_param_into_net(model, param_dict)
       net.set_train(False)
   …

3. 在resnet50_quant.py中导入量化接口，接口说明请参考训练后量化（MindSpore）。

   from modelslim.mindspore.quant.ptq_quant.quantize_model import quantize_model
   from modelslim.mindspore.quant.ptq_quant.create_config import create_quant_config
   from modelslim.mindspore.quant.ptq_quant.save_model import save_model

4. （可选）调整日志输出等级，启动调优任务后，将打屏显示量化调优的日志信息。

   import logging
   logging.getLogger().setLevel(logging.INFO)    #请根据实际情况进行配置

5. 准备预训练模型。
   当前脚本中已存在加载预训练模型的相关代码，可跳过此步骤，其他模型请参考以下内容进行配置。

   model = get_user_network()   #加载模型结构，返回模型实例
   load_checkpoint(ckpt_file_path, model)    #模型加载预训练参数，请根据实际情况配置

6. 使用create_quant_config接口生成配置文件。

   config_file = "./quant_config.json"    #待生成的量化配置文件存放路径及名称，请根据实际情况配置
   create_quant_config(config_file, model)

   

   通过create_quant_config接口生成的默认配置文件，用户可以手动修改其中的配置项，以达到手动控制量化的目的。

   • “fuse_bn”默认为“true”， 即默认融合BatchNormalization层，用户可修改为“false”以关闭融合。
   • “quant”默认为“true”，即为量化API判定可以进行量化的网络层，用户可以修改为“false”，以关闭特定网络层的量化。由于MindSpore使用的dense算子变更，在生成的配置文件中，该算子后“quant”配置需修改为“false”。
   • “num_rollback_nodes”默认为“0”，即为量化API判定需要精度回退层数，用户可以自行指定精度回退层数，取值范围为0<=num_rollback_nodes<可量化层数。
7. 使用quantize_model接口修改原模型，进行量化算子插入，此处的input_data需要与预训练模型的input保持一致的shape。

   input_data = ms.Tensor(np.random.uniform(size=[256, 3, 224, 224]), dtype=mstype.float32)    #请根据实际情况配置
   model_calibrate = quantize_model(config_file, model, input_data)    #通过调用quantize_model接口生成的量化后的模型

   

   若原模型包含logger，将无法对原模型进行deepcopy，影响后续量化算子的插入，用户在使用 quantize_mdoel() 接口前需删除原模型中的logger属性。

8. 对量化模型进行校准。校准过程中会使用少量数据集进行前向传播，以校准量化算子中的参数，提高量化后的精度。

   for i, data in enumerate(dataset.create_dict_iterator(num_epochs=1)):
           net(data['image'])
           if i >= 2:
               break

9. 使用save_model接口保存量化后模型。

   file_name = "./quantized_model"    #指定量化后模型保存路径和文件名
   save_model(file_name, model_calibrate, input_data, file_format="AIR")    #请根据需要配置量化后模型的格式

   

   “file_format”支持AIR、MINDIR两种格式，默认值为AIR。

10. 启动模型量化调优任务，并在步骤7指定的目录获取一个量化完成的模型。

    python3 resnet50_quant.py