均匀量化

接口调用流程

均匀量化接口调用流程如图1所示。

图1 均匀量化接口调用流程

调用示例

本章节详细给出训练后量化的模板代码解析说明，通过解读该代码，用户可以详细了解AMCT的工作流程以及原理，方便用户基于已有模板代码进行修改，以便适配其他网络模型的量化。

用户可以参见mobilenet_v2获取本章节的sample示例代码。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TensorFlow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。
5. 在原始TensorFlow环境中验证量化后仿真模型精度。

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_tensorflow as amct amct.set_logging_level(print_level='info', save_level='info')

2. （可选，由用户补充处理）在TensorFlow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TensorFlow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_model, test_data, test_iterations)

3. （由用户补充处理）根据模型user_model.pb，准备好图结构tf.Graph。

   1	ori_graph = user_load_graph()

4. 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 = [] batch_num = 1 amct.create_quant_config(config_file=config_file, graph=ori_graph, skip_layers=skip_layers, batch_num=batch_num)

   2. 修改图，在图中插入数据量化，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' amct.quantize_model(graph=ori_graph, config_file=config_file, record_file=record_file)

      使用AMCT调用quantize_model接口对用户的原始TensorFlow模型进行图修改时，由于插入了searchN层导致尾层输出节点发生改变的场景，可以参见TensorFlow网络模型由于AMCT导致输出节点改变，如何通过修改量化脚本进行后续的量化动作进行处理。如果量化过程存在空tensor输入报错信息，请参见使用训练后量化进行量化时，量化过程存在空tensor输入报错信息进行处理。

   3. （由用户补充处理）使用修改后的图在校准集上做模型推理，找到量化因子。

      该步骤执行时，需要注意如下两点：

      1. 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。
      2. 前向推理的次数为batch_num，如果次数不够，后续过程会失败。

      1	user_do_inference(ori_graph, calibration_data, batch_num)

      若校准时提示“Invalid argument: You must feed a value for placeholder tensor **”，请参见校准时提示“Invalid argument: You must feed a value for placeholder tensor **”进行处理。

      若校准过程中如果提示“xxx calculate scale failed”错误信息，请参见IFMR数据量化时，存在"inf或NaN值"或"xxx calculate scale failed"，量化过程报错。

   4. 保存模型。
      根据量化因子，调用save_model接口，插入AscendQuant、AscendDequant等算子，保存为量化模型。

      1 2 3 4 5

      quant_model_path = './results/user_model' amct.save_model(pb_model='user_model.pb', outputs=['user_model_outputs0', 'user_model_outputs1'], record_file=record_file, save_path=quant_model_path)

      保存模型时提示“RuntimeError: cannot find shift_bit of layer ** in record_file”，则请参见保存模型时提示“RuntimeError: record_file is empty, no layers to be quantized”进行处理。

5. （可选，由用户补充处理）使用量化后模型user_model_quantized.pb和测试集（test_data），在TensorFlow环境下推理，测试量化后的仿真模型精度。
   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_quantized.pb' user_do_inference(quant_model, test_data, test_iterations)