总体说明

对于该场景需要排查比对结果说明。

Caffe场景支持量化、非量化的精度比对。

非量化场景下，需准备下表中的输入数据：

表1 非量化原始模型 vs 非量化离线模型输入数据要求
文件	说明	获取方式
非量化原始模型的npy文件	标杆数据	Caffe模型npy数据文件准备
通过ATC转换离线模型文件生成的json文件	获取算子的映射关系	全网层信息文件
非量化离线模型在昇腾AI处理器上运行生成的dump数据文件	待比对数据	离线推理场景各框架获取NPU环境的dump数据方法一致，请参考：准备离线模型dump数据文件

量化场景下，若需要详细分析量化过程和模型转换阶段的精度问题，可按如下步骤比对：
- 量化是指对模型的权重（weight）和数据（activation）进行低比特处理，让最终生成的网络模型更加轻量化，从而达到节省网络模型存储空间、降低传输时延、提高计算效率，达到性能提升与优化的目标。详情请参见《AMCT工具指南》。
- AMCT对原始框架模型进行量化时，会插入量化和反量化算子，而使用ATC工具进行模型转换过程中，会对插入的量化和反量化算子进行融合，此情况下进行量化后模型dump结果与原始模型dump结果的比对可能不准确。因此如果用户想使用通过AMCT量化后的模型进行精度比对，则需要通过--fusion_switch_file参数关闭部分融合功能，并在精度比对后进行NPU vs NPU（离线推理），判断融合前后是否存在精度差异。
Caffe的离线推理场景，为了提升性能进行了模型量化，但量化后可能存在精度下降的问题。为了提升性能，一定的精度下降是可以接受的，一般一个模型精度下降在1%范围内，但如果误差较大，那么就需要定位原因。引起精度误差较大的原因主要有：
- 量化过程导致精度下降。
- 量化原始模型，经过ATC转换成的量化离线模型在NPU上运行，算子的变化导致精度问题。
根据以上原因，那么要分步骤定位精度问题：
1. 定位量化阶段的精度问题。
  执行非量化原始模型（GPU/CPU） vs 量化原始模型（GPU/CPU）。
  1. 参见Caffe模型npy数据文件准备获取非量化原始模型resnet50.prototxt和resnet50.caffemodel的dump数据文件。
  2. 参见量化原始模型和量化信息文件，获取量化原始模型文件resnet50_deploy_model.prototxt和resnet50_deploy_weights.caffemodel、resnet50_fake_quant_model.prototxt和resnet50_fake_quant_weights.caffemodel以及量化信息文件resnet50_quant.json。
  3. 参见Caffe模型npy数据文件准备获取量化原始模型resnet50_fake_quant_model.prototxt和resnet50_fake_quant_weights.caffemodel的dump数据文件。
  4. 参见比对操作和分析执行非量化原始模型与量化原始模型的精度比对操作。
  5. 完成精度比对后首先确认量化模型精度误差多少。一般通过模型的批量数据的TopN的精度确认，例如1万~10万张图片的精度误差情况，如果在1%，基本上合理，不用定位，如果超过1%甚至达到3%，那么量化导致的精度问题不可忽略。
  6. 检测量化流程设计是否合理。例如选取的量化数据集是否具有代表性，是业务需要的数据集，数据量是否过少，一般10~100之间为正常。
  7. 若量化阶段精度误差较大，建议对模型首、尾2层进行手动去量化，一般可提升一部分精度。
2. 定位模型转换阶段产生的精度问题，即量化离线模型在NPU上运行时的精度问题。
  执行量化原始模型（GPU/CPU） vs 量化离线模型（关闭融合规则）（NPU）。
  
  由于ATC工具的模型转换操作默认开启了算子融合功能，故为了排除融合后算子无法直接进行精度比对，模型转换先关闭算子融合。
  1. 通过关闭算子融合执行ATC模型转换获取量化离线模型（关闭融合规则）。
```
atc --model=$HOME/module/resnet50_deploy_model.prototxt --weight=$HOME/module/resnet50_deploy_weights.caffemodel --framework=0 --output=$HOME/module/out/caffe_resnet50_off --soc_version=<soc_version>  --fusion_switch_file=$HOME/module/fusion_switch.cfg
```
    关闭算子融合功能需要通过--fusion_switch_file参数指定算子融合规则配置文件（如fusion_switch.cfg），并在配置文件中关闭算子融合。融合规则配置文件关闭配置如下：
    
    { "Switch":{ "GraphFusion":{ "ALL":"off" }, "UBFusion":{ "ALL":"off" } } }
    若提示如下信息，则说明模型转换成功。
    1
    ATC run success
    成功执行命令后，在$HOME/module/out/caffe_resnet50_off目录下生成离线模型（如：caffe_resnet50.om）。
  2. 生成json文件。
```
atc --mode=1 --om=$HOME/module/out/caffe_resnet50_off/caffe_resnet50.om --json=$HOME/data/resnet50.json
```
  3. 参见准备离线模型dump数据文件获取量化离线模型caffe_resnet50.om（关闭融合规则）的dump数据文件。
  4. 参见比对操作和分析执行量化原始模型与量化离线模型（关闭融合规则）的精度比对操作。
  5. 若模型转换阶段精度误差较大，根据比对结果判断是累计误差，还是某个节点误差较大，如果是某一阶段误差较大，您可以获取日志后单击Link联系技术支持。规避方法：建议对该节点手动去量化，重新进行模型量化。如果是累计误差，可以检查是否为量化阶段的误差，由于量化本身存在精度损失，所以如果是量化产生的精度误差，那么可能有大量算子均存在较小的精度误差，可以通过调整量化配置重复量化，直至满足精度要求。
  6. 特殊数据：由于余弦相似度不能完全衡量精度，所以在如上方法还不能解决的情况，可以进行单算子比对。
3. （可选）参见NPU vs NPU（离线推理）的“开启和关闭算子融合功能模型转换的精度比对”场景执行量化离线模型（默认开启融合规则）与量化离线模型（关闭融合规则）的精度比对操作。

量化场景下，若只需要初步判断非量化原始模型（GPU/CPU）到量化离线模型（NPU）的精度问题，按照下表准备输入数据：

表2 非量化原始模型 vs 量化离线模型输入数据要求
文件	说明	获取方式
非量化原始模型的npy文件	标杆数据	Caffe模型npy数据文件准备
通过ATC转换离线模型文件生成的json文件 AMCT后的量化信息文件（*.json）二选一	获取算子的映射关系	准备模型文件和量化信息文件
量化离线模型在昇腾AI处理器上运行生成的dump数据文件	待比对数据	准备离线模型dump数据文件

父主题： GPU/CPU vs NPU（Caffe离线推理）