Skip to content

Latest commit

 

History

History
69 lines (47 loc) · 2.74 KB

quantize_model.md

File metadata and controls

69 lines (47 loc) · 2.74 KB
Raw

如何量化模型

为什么要量化

相对于 fp32 模型，定点模型有诸多优点：

  • 体积更小，8-bit 模型可降低 75% 文件大小
  • 由于模型变小，Cache 命中率提升，速度更快
  • 芯片往往有对应的定点加速指令，这些指令更快、能耗更低（常见 CPU 上 int8 大约只需要 10% 能量）

安装包体积、发热都是移动端评价 APP 的关键指标；而在服务端，“加速”意味着可以维持相同 QPS、增大模型换取精度提升。

mmdeploy 离线量化方案

以 ncnn backend 为例，完整的工作流如下：

mmdeploy 基于静态图（onnx）生成推理框架所需的量化表，再用后端工具把浮点模型转为定点。

目前 mmdeploy 支持 ncnn PTQ。

模型怎么转定点

mmdeploy 安装完成后，加载 ppq 并安装

git clone https://github.com/openppl-public/ppq.git
cd ppq
pip install -r requirements.txt
python3 setup.py install

回到 mmdeploy, 使用 tools/deploy.py --quant 选项开启量化。

cd /path/to/mmdeploy
export MODEL_CONFIG=/path/to/mmclassification/configs/resnet/resnet18_8xb16_cifar10.py
export MODEL_PATH=https://download.openmmlab.com/mmclassification/v0/resnet/resnet18_b16x8_cifar10_20210528-bd6371c8.pth

# 找一些 imagenet 样例图
git clone https://github.com/nihui/imagenet-sample-images --depth=1

# 量化模型
python3 tools/deploy.py  configs/mmcls/classification_ncnn-int8_static.py  ${MODEL_CONFIG}  ${MODEL_PATH}   /path/to/self-test.png   --work-dir work_dir --device cpu --quant --quant-image-dir /path/to/imagenet-sample-images
...

参数说明

参数 含义
--quant 是否开启量化，默认为 False
--quant-image-dir 校准数据集，默认使用 MODEL_CONFIG 中的验证集

自建校准数据集

校准集是用来计算量化层参数的，某些 DFQ（Data Free Quantization）方法甚至不需要校准集

  • 新建文件夹，直接放入图片即可（不需要目录结构、不要负例、没有命名要求）
  • 图片需为真实业务场景中的数据，相差过远会导致精度下降
  • 不能直接拿测试集做量化，否则是过拟合
    类型 训练集 验证集 测试集 校准集
    用法 QAT PTQ 测试精度 PTQ

强烈建议量化结束后，按此文档 验证模型精度。这里 是一些量化模型测试结果。