量化感知训练

前提条件

• 已参考环境准备，完成CANN开发环境的部署，安装PyTorch框架，Python环境变量和训练服务器环境变量配置。
• 量化感知训练前须执行命令安装依赖。

  如下命令如果使用非root用户安装，需要在安装命令后加上--user，例如：pip3 install onnx --user。

  pip3 install onnx==1.11.0     #根据QatConfig导出的onnx模型版本进行安装，支持1.11.0和1.13.0版本

操作步骤

1. 用户需自行准备模型、训练脚本和数据集，本样例以PyTorch框架的Resnet50和数据集ImageNet为例。
2. 编辑训练脚本pytorch_resnet50_apex.py文件，导入如下接口。

   from modelslim.pytorch.quant.qat_tools import qsin_qat, QatConfig, get_logger

3. 在优化器初始化之前调用“qsin_qat”函数，将量化后模型替换为“qsin_qat”的输出模型。请参考QatConfig和qsin_qat进行配置。同时在训练代码中，需注意保存伪量化模型权重ckpt文件，在导出量化onnx使用。

   quant_config = QatConfig(grad_scale=0.001)
   quant_logger = get_logger()
   model = qsin_qat(model, quant_config, quant_logger).to(device_calc)     #根据实际情况配置待量化模型实例、量化配置和量化输出日志，注意需把模型按照原训练流程部署在NPU设备

4. 调用原训练流程进行单卡训练，执行train_full_1p.sh启动单卡训练任务。

   bash ./test/train_full_1p.sh --data_path=/datasets/imagenet  #请根据实际情况配置数据集路径

5. 导出量化后的ONNX模型。在伪量化模型权重ckpt文件保存后，新建quant_deploy.py文件，添加如下代码，调用“save_qsin_qat_model”函数，请参考save_qsin_qat_model进行配置。

   import argparse
   import os
   import torch
   import models.image_classification.resnet as nvmodels
   # 初始化模型
   parser = argparse.ArgumentParser(description='PyTorch ImageNet Training')
   parser.add_argument('-b', '--batch-size', default=1, type=int,
                       metavar='N',
                       help='onnx bs')
   parser.add_argument('--pretrained', default="./org_model_best.pth.tar", type=str,
                       help='use pre-trained model')
   parser.add_argument('--quant_ckpt', default="./checkpoint_77.244_asym.pth.tar", type=str,
                       help='use pre-trained model')
   
   args = parser.parse_args()
   
   model = nvmodels.build_resnet("resnet50", "classic", is_training=False)
   pretrained_dict = torch.load(args.pretrained, map_location='cpu')["state_dict"]
   model.load_state_dict(pretrained_dict, strict=False)
   #保存量化后的onnx模型
   from modelslim.pytorch.quant.qat_tools import save_qsin_qat_model
   #根据实际情况配置导出后模型文件名（文件后缀需为.onnx）、输入的shape、伪量化模型权重和onnx的输入名称
   save_onnx_name='./resnet50.onnx'
   dummy_input = torch.ones([args.batch_size, 3, 224, 224]).type(torch.float32)
   saved_ckpt = args.quant_ckpt
   input_names=['input1']
   save_qsin_qat_model(model, save_onnx_name, dummy_input, saved_ckpt, input_names)  

6. 执行量化脚本，获取量化后的onnx模型。

   python3 quant_deploy.py