量化配置

如果通过create_quant_config接口生成的config.json量化配置文件，推理精度不满足要求，则需要参见该章节不断调整config.json文件中的内容，直至精度满足要求，该文件部分内容样例如下：

{
    "version": 1,
    "batch_num": 30,
    "activation_offset": true,
    "do_fusion":true,
    "skip_fusion_layers":[],
    "layer_name1":{
        "quant_enable": false,
        "activation_quant_params":[
            {
                "max_percentile":0.999999,
                "min_percentile":0.999999,
                "search_range":[0.7, 1.3],
                "search_step":0.01
            }
        ],
 
        "weight_quant_params":[
            {
                "channel_wise":true
            }
        ]
    },
     "layer_name2":{
         "quant_enable": true,
        "activation_quant_params":[
            {
                "max_percentile":0.999999,
                "min_percentile":0.999999,
                "search_range":[0.7, 1.3],
                "search_step":0.01
            }
        ],
 
        "weight_quant_params":[
            {
                "channel_wise":true
            }
        ]
    }
}

配置文件中参数说明如下：

按照config.json文件中的默认配置进行量化，若量化后的推理精度不满足要求，则按照如下步骤调整量化配置文件中的参数。

1. 执行amct_tensorflow_sample.tar.gz包中的量化脚本，根据create_quant_config接口生成的默认配置进行量化。
2. 若根据1中的默认配置进行量化后，精度满足要求，则调参结束，否则进行3。
3. 手动调整量化配置文件中的batch_num：

   batch_num控制量化使用数据的batch数目，可根据batch的大小以及量化需要使用的图片数量调整。通常情况下，量化过程中使用的数据样本越多，量化后精度损失越小，但过多的数据并不会带来精度的提升，反而会占用较多的内存，降低量化的速度，并可能引起内存、显存、线程资源不足等情况。因此，建议batch_num*batch_size为16或32。

4. 若按照3中的量化配置进行量化后，精度满足要求，则调参结束，否则进行5。
5. 手动调整量化配置文件中的quant_enable：

   quant_enable可以指定该层是否量化，取值为true时量化该层，取值为false时不量化该层，将该层及配置删除也可不量化该层。通常情况下，量化层数目越少，量化后精度越高。某些层对量化比较敏感，比如说首层、尾层、detphwise卷积层以及参数量偏少的层，量化后精度会有较大的下降，可按照精度情况调整量化层。

6. 若按照5中的量化配置进行量化后，精度满足要求，则调参结束，否则进行7。
7. 手动调整量化配置文件中的activation_quant_params和weight_quant_params：
   • activation_quant_params列表中的参数用于选取待量化数据的范围[left, right]，不在该范围的数据将会被截断到范围内。通常情况下，数据分布处于边界附近的数值比较稀疏，均可做截断处理，以提高量化精度。min_percentile （max_percentile）越大，说明截断left(right)越靠近待量化数据的最小值（最大值）。search_range与search_step影响[left, right]的浮动范围，通常情况下，search_range越大、search_step越小，可能获得更高的量化精度，但量化耗时更多。
   • weight_quant_params中的channel_wise控制权重量化时每个channel是否采用不同的量化因子，取值为true时，每个channel独立量化，量化因子不同；取值为false时所有channel同时量化，共享同一个量化因子。通常情况下，每个channel独立量化，量化后的精度会比较高，推荐使用。但全连接层和平均下采样层Pooling没有channel，修改该参数不起作用。

8. 若按照7中的量化配置进行量化后，精度满足要求，则调参结束，否则表明量化对精度影响很大，不能进行量化，去除量化配置。

图4-5 调参流程