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

量化感知训练

概述

量化感知训练会重新训练量化模型,从而减小模型大小,并且加快推理过程。当前支持对PyTorch框架的CNN类模型进行量化,并将量化后的模型保存为.onnx文件,量化过程中,需要用户自行提供模型与数据集,调用API接口完成模型的量化调优。

目前支持对包括但不限于表1 已验证模型列表中的模型进行模型量化感知训练。

表1 已验证模型列表

类型

名称

图像分类

Densenet121

InceptionV3

MobileNetV2

Resnet18

Resnet34

Resnet50

ResneXt50

Vgg16

Vgg19

Transformer图像分类

Swin-tiny

Swin-base

Vit-base

NLP模型

Albert

Bert-base

Bert-large

目标检测

FCOS

YoloV3

YoloV5

YoloV7

SSD-VGG

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 msmodelslim.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QatConfigqsin_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 msmodelslim.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
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