量化流程

接口调用流程

量化感知训练接口调用流程如图1所示。

图1 接口调用流程

调用示例

1. 基于PyTorch环境进行训练，当前仅支持distribution模式（即DistributedDataParallel模式）的多卡训练，不支持DataParallel模式的多卡训练，使用DP模式训练会报错。
2. 调用AMCT的部分，函数入参可以根据实际情况进行调整。量化感知训练基于用户的训练过程，请确保已经有基于PyTorch环境进行训练的脚本，并且训练后的精度正常。
3. 使用AMCT的量化感知训练特性时，如果训练过程卡死，请检查当前服务器是否有其他ONNX Runtime程序在运行（可以用top命令查看服务器所有进程），如果有，请先暂定其他ONNX Runtime程序，重新执行量化感知训练。
4. 参考本章节进行量化，模型中存在Pytorch自定义算子时，可能存在无法导出生成ONNX模型，从而导致量化失败的问题。具体报错信息如下：'Model cannot be quantized for it cannot be export to onnx!' 。此时，您可以参考单算子模式的量化感知训练章节，进行单算子模式的量化。
5. 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。

1. 导入AMCT包，并通过安装后处理中的环境变量设置日志级别。

   1	import amct_pytorch as amct

2. （可选，由用户补充处理）建议使用原始待量化的模型和测试集，在PyTorch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 2 3

   ori_model.load() # 测试模型 user_test_model(ori_model, test_data, test_iterations)

3. 调用AMCT，执行量化流程。
   1. 生成量化配置。

      实现该步骤前，应先恢复训练好的参数，如2中的ori_model.load()。

      1 2 3 4 5 6

      config_file = './tmp/config.json' simple_cfg = './retrain.cfg' amct.create_quant_retrain_config(config_file=config_file, model=ori_model, input_data=ori_model_input_data, config_defination=simple_cfg)

   2. 修改模型。
      在模型ori_model插入数据量化、权重量化等相关算子，用于计算量化相关参数，然后保存为新的训练模型retrain_model。

      1 2 3 4 5

      record_file = './tmp/record.txt' quant_retrain_model = amct.create_quant_retrain_model(config_file=config_file, model=ori_model, record_file=record_file, input_data=ori_model_input_data)

   3. （由用户补充处理）使用修改后的图，创建反向梯度，在训练集上做训练，训练量化因子。
      1. 使用修改后的图，创建反向梯度。该步骤需要在3.b后执行。

         1	optimizer = user_create_optimizer(quant_retrain_model)

      2. 从训练好的checkpoint恢复模型，并训练模型。

         注意：从训练好的checkpoint恢复模型参数后再训练；训练中保存的参数应该包括量化因子。

         1 2	quant_pth = './ckpt/user_model' user_train_model(optimizer, quant_retrain_model, train_data)

      3. 训练完成后，执行推理，计算量化因子并保存。

         1	user_infer_graph(quant_retrain_model)

   4. 保存量化模型。
      根据量化因子以及用户重训练好的模型，调用save_quant_retrain_model接口，插入AscendQuant、AscendDequant等算子，保存为量化模型。

      1 2 3 4 5 6

      quant_model_path = './result/user_model' amct.save_quant_retrain_model(config_file=config_file, model=quant_retrain_model, record_file=record_file, save_path=quant_model_path, input_data=ori_model_input_data)

4. （可选，由用户补充处理）基于ONNX Runtime的环境，使用量化后模型（quant_model）在测试集（test_data）上做推理，测试量化后仿真模型的精度。

   使用量化后仿真模型精度与2中的原始精度做对比，可以观察量化对精度的影响。

   1 2	quant_model = './results/user_model_fake_quant_model.onnx' user_do_inference_onnx(quant_model, test_data, test_iterations)

如果训练过程中断，需要从ckpt中恢复数据，继续训练，则调用流程为：

1. 导入AMCT包，并通过安装后处理中的环境变量设置日志级别。

   1	import amct_pytorch as amct

2. 准备原始模型。

   1	ori_model= user_create_model()

3. 调用AMCT，恢复量化训练流程。
   1. 修改模型，在模型ori_model插入量化相关的算子，保存为新的训练模型retrain_model。

      1 2 3 4 5 6 7 8 9

      config_file = './tmp/config.json' simple_cfg = './retrain.cfg' record_file = './tmp/record.txt' quant_pth_file = './ckpt/user_model_newest.ckpt' quant_retrain_model = amct.restore_quant_retrain_model(config_file=config_file, model=ori_model, record_file=record_file, input_data=ori_model_input_data, pth_file=quant_pth_file)

   2. （由用户补充处理）使用修改后的图，创建反向梯度，在训练集上做训练，训练量化因子。
      1. 使用修改后的图，创建反向梯度。该步骤需要在3.a后执行。

         1	optimizer = user_create_optimizer(retrain_model)

      2. 从训练好的checkpoint恢复模型，并训练模型。

         注意：从训练好的checkpoint恢复模型参数后再训练；训练中保存的参数应该包括量化因子。

         1	user_train_model(optimizer, retrain_model, train_data)

      3. 训练完成后，执行推理，计算量化因子并保存。

         1	user_infer_graph(train_graph, retrain_ops[-1].output_tensor)

   3. 保存模型。

      1 2 3 4 5 6

      quant_model_path = './result/user_model' amct.save_quant_retrain_model(config_file=config_file, model=ori_model, record_file=record_file, save_path=quant_model_path, input_data=ori_model_input_data)

4. （可选，由用户补充处理）基于ONNX Runtime的环境，使用量化后模型（quant_model）在测试集（test_data）上做推理，测试量化后仿真模型的精度。

   使用量化后仿真模型精度与2中的原始精度做对比，可以观察量化对精度的影响。

   1 2	quant_model = './results/user_model_fake_quant_model.onnx' user_do_inference_onnx(quant_model, test_data, test_iterations)