下载
中文
注册
我要评分
文档获取效率
文档正确性
内容完整性
文档易理解
在线提单
论坛求助
昇腾小AI

快速入门

前提条件

已安装AMCT工具包。详情请参见工具安装

获取样例代码

单击Link获取样例代码。

解析代码

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MindSpore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。

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,设置日志级别。
    1
    2
    import amct_mindspore as amct
    amct.set_logging_level(print_level='info', save_level='info')
    
  1. (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。
    1. 创建网络。
      1
      ori_network = user_create_network()
      
    2. 恢复训练参数。
      1
      2
      param_dict = load_checkpoint(user_network_checkpoint)
      load_param_into_net(ori_network, param_dict)
      
    3. 设置网络状态。
      1
      ori_network.set_train(False)
      
  2. (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)
    
  3. 调用AMCT,量化模型。
    1. 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)
      
    2. 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)
      
    3. (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)
      
    4. 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)
      

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。

搜索结果
找到“0”个结果

当前产品无相关内容

未找到相关内容,请尝试其他搜索词