均匀量化
均匀量化是指量化后的数据比较均匀地分布在某个数值空间中，例如INT8量化就是用只有8比特的INT8数据来表示32比特的FP32数据或16比特的FP16数据，将FP32/FP16的卷积运算过程（乘加运算）转换为INT8的卷积运算，加速运算和实现模型压缩；均匀的INT8量化则是量化后数据比较均匀地分布在INT8的数值空间[-128, 127]中。
均匀量化支持量化的层以及约束如下，量化示例请参见样例列表。
支持的层类型 |
约束 |
|---|---|
Conv：卷积层 |
支持4维或5维输入，且权重类型为constant或Initializer的量化。 |
Gemm：广义矩阵乘 |
transpose_a=false，Alpha=Beta=1.0；权重类型为constant或Initializer。 |
MatMul：全连接层 |
|
ConvTranspose：转置卷积层 |
仅支持4维输入，且权重类型为constant或Initializer的量化。 |
AveragePool：平均池化层 |
仅支持4维输入场景下的量化。 |
MaxPool：最大池化层 |
只做tensor量化。 |
Add：按元素求和层 |
只做tensor量化。 |
接口调用流程
均匀量化接口调用流程如图1所示：
- 用户准备ONNX原始模型，然后使用create_quant_config生成量化配置文件。
- 根据ONNX模型和量化配置文件，即可调用quantize_model接口对原始ONNX模型进行量化前优化，包括Conv+BN融合等，插入权重量化算子，进行权重量化；插入数据量化算子，得到校准模型。
- 用户基于ONNX Runtime以及校准集，执行校准模型推理完成数据量化，并将量化因子输出到文件中。
- 最后用户可以调用save_model接口保存量化后的模型，包括可在ONNX执行框架ONNX Runtime环境中进行精度仿真的模型文件和可部署在昇腾AI处理器的模型文件。
- 精度仿真模型文件：模型名中包含fake_quant，可以在ONNX执行框架ONNX Runtime进行精度仿真。
fake_quant模型主要用于验证量化后模型的精度，可以在ONNX Runtime环境下运行。进行前向推理的计算过程中，在fake_quant模型中对卷积层等的输入数据和权重进行了量化反量化的操作，来模拟量化后的计算结果，从而快速验证量化后模型的精度。如下图所示，以INT8量化为例，Quant层、Conv卷积层和DeQuant层之间的数据都是Float32数据类型的，其中Quant层将数据量化到INT8又反量化为Float32，权重也是量化到INT8又反量化为Float32，实际卷积层的计算是基于Float32数据类型的，该模型用于ONNX Runtime环境验证量化后模型的精度，不能够用于ATC工具转换成om模型。图2 fake_quant模型
- 部署模型文件：模型名中包含deploy，经过ATC转换工具转换后可部署到昇腾AI处理器。
以INT8量化为例，deploy模型由于已经将权重等转换成为了INT8、INT32类型， 因此不能在ONNX Runtime环境上执行推理计算。如下图所示，deploy模型的AscendQuant层将Float32的输入数据量化为INT8，作为卷积层的输入，权重也是使用INT8数据类型作为计算，在deploy模型中的卷积层的计算是基于INT8、INT32数据类型的，输出为INT32数据类型经过AscendDeQuant层转换成Float32数据类型传输给下一个网络层。图3 deploy模型
- 精度仿真模型文件：模型名中包含fake_quant，可以在ONNX执行框架ONNX Runtime进行精度仿真。
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resnet-101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：
- 准备训练好的模型和数据集。
- 在原始ONNX Runtime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。
- 在原始ONNX Runtime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。
- 导入AMCT包，并通过设置环境变量日志级别。
1import amct_onnx as amct
- （可选，由用户补充处理）在ONNX Runtime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ONNX Runtime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。
1user_do_inference(ori_model, 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 = [] batch_num = 1 amct.create_quant_config(config_file=config_file, model_file=ori_model, skip_layers=skip_layers, batch_num=batch_num)
- 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 5 6
record_file = './tmp/record.txt' modified_model = './tmp/modified_model.onnx' amct.quantize_model(config_file=config_file, ori_model=ori_model, modified_onnx_file=modified_model, record_file=record_file)
- （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。
- 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。
- 前向推理的次数为batch_num，如果次数不够，后续过程会失败。
若校准过程中有错误信息，则可以尝试参见校准过程中提示"IFMR node. Name:'layer_ifmr_op' Status Message: std::bad_alloc "信息或校准过程中出现"killed"信息进行处理。
若校准执行过程中提示"IfmrQuantWithOffset scale is illegal"，则请参见校准执行过程中提示“[IfmrQuantWithoutOffset]scale is illegal”处理。
1user_do_inference(modified_onnx_file, calibration_data, batch_num)
- 保存模型。
根据量化因子以及修改后的模型，调用save_model接口，插入AscendQuant、AscendDequant等算子，保存为量化模型。
1 2 3 4
quant_model_path = './results/user_model' amct.save_model(modified_onnx_file=modified_model, record_file=record_file, save_path=quant_model_path)
- 生成量化配置。
- （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。
quant_model = './results/user_model_fake_quant_model.onnx' user_do_inference(quant_model, test_data, test_iterations)
如果量化后仿真模型在CPU推理速度，相较于原始模型推理速度变慢，则可以尝试通过设置如下环境变量解决：
#设置执行期间使用的线程数 export OMP_NUM_THREADS=8
环境变量的取值，跟模型数据量大小，运行环境的CPU数量相关，比如Resnet101模型，数据量大小为10W量级，线程数可以设置为8。
