快速入门
前提条件
已安装AMCT工具包。详情请参见工具安装。
解析代码
训练后量化主要包括如下几个步骤:
- 准备训练好的模型和数据集。
- 在原始MindSpore环境中验证模型精度以及环境是否正常。
- 编写训练后量化脚本调用AMCTAPI。
- 执行训练后量化脚本。
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。
- 导入AMCT包,设置日志级别。
1 2
import amct_mindspore as amct amct.set_logging_level(print_level='info', save_level='info')
- (由用户补充处理)准备网络,恢复训练参数,并将网络设置到测试状态。
- 创建网络。
1
ori_network = user_create_network()
- 恢复训练参数。
1 2
param_dict = load_checkpoint(user_network_checkpoint) load_param_into_net(ori_network, param_dict)
- 设置网络状态。
1
ori_network.set_train(False)
- 创建网络。
- (可选,由用户补充处理)在MindSpore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MindSpore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(ori_network, test_data, test_iterations)
- 调用AMCT,量化模型。
- 生成量化配置。
1 2 3 4 5 6 7
config_file = './tmp/config.json' skip_layers = [] fake_input_data = np.random.uniform(0.0, 1.0, size=ori_network_input_shape).astype(np.float32) amct.create_quant_config(config_file=config_file, network=ori_network, input_data=fake_input_data, skip_layers=skip_layers)
- 修改网络模型,在模型中插入数据量化,权重量化等相关的算子,用于计算量化相关参数。
1 2 3 4
record_file = './tmp/record.txt' calibration_network = amct.quantize_model(config_file=config_file, network=ori_network, input_data=fake_input_data)
- (由用户补充处理)基于MindSpore环境,使用修改后的模型(calibration_network)在校准集(calibration_data)上做模型推理,找到量化因子。
该步骤执行时,需要注意: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。
1
user_do_inference(calibration_network, calibration_data)
- 保存量化模型。
根据量化因子,调用save_model接口,插入AscendQuant、AscendDequant等算子,保存为可部署的量化模型。
1 2 3 4
quant_network_path = './results/user_network' amct.save_model(file_name=quant_network_path, network=calibration_network, input_data=fake_input_data)
- 生成量化配置。
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。
父主题: AMCT工具(MindSpore)