量化配置
基本介绍
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(用户修改json文件时,请确保层名唯一。)
- 均匀量化配置文件
{ "version":1, "batch_num":2, "activation_offset":true, "do_fusion":true, "skip_fusion_layers":[], "layer_name1":{ "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":{ "wts_algo":"arq_quantize", "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":{ "wts_algo":"arq_quantize", "channel_wise":false } } }
参数配置说明
配置文件中参数说明如下:
作用 |
控制量化配置文件版本号 |
---|---|
类型 |
int |
取值范围 |
1 |
参数说明 |
目前仅有一个版本号1。 |
推荐配置 |
1 |
可选或者必选 |
可选 |
作用 |
控制量化使用多少个batch的数据 |
---|---|
类型 |
int |
取值范围 |
大于0 |
参数说明 |
如果不配置,则使用默认值1,建议校准集图片数量不超过50张,根据batch的大小batch_size计算相应的batch_num数值。 batch_num*batch_size为量化使用的校准集图片数量。 其中batch_size为每个batch所用的图片数量。 |
推荐配置 |
1 |
必选或可选 |
可选 |
作用 |
控制数据量化是否带offset |
---|---|
类型 |
bool |
取值范围 |
true或false |
参数说明 |
取值为true数据量化时带offset,取值为false数据量化时不带offset。 |
推荐配置 |
true |
必选或可选 |
可选 |
作用 |
是否开启bn融合功能 |
---|---|
类型 |
bool |
取值范围 |
true或false |
参数说明 |
取值为true开启bn融合,取值为false不开启。 |
推荐配置 |
true |
可选或必选 |
可选 |
作用 |
跳过bn融合的层 |
---|---|
类型 |
string |
取值范围 |
可融合层的层名 |
参数说明 |
不需要做融合的层。 |
推荐配置 |
- |
可选或必选 |
可选 |
作用 |
指定某个网络层的量化配置 |
---|---|
类型 |
object |
取值范围 |
无 |
参数说明 |
参数内部包含如下参数:
|
推荐配置 |
无 |
必选或可选 |
可选 |
作用 |
该层是否可量化 |
---|---|
类型 |
bool |
取值范围 |
true或false |
参数说明 |
取值为true时量化该层,取值为false时不量化该层。 |
推荐配置 |
true |
必选或可选 |
可选 |
作用 |
该层数据量化的参数 |
---|---|
类型 |
object |
取值范围 |
无 |
参数说明 |
activation_quant_params内部包含如下参数:
|
推荐配置 |
无 |
必选或可选 |
可选 |
作用 |
该层权重量化的参数 |
---|---|
类型 |
object |
取值范围 |
无 |
参数说明 |
均匀量化场景,包括如下参数:
|
推荐配置 |
无 |
必选或可选 |
可选 |
作用 |
最大值搜索位置 |
---|---|
类型 |
float |
取值范围 |
(0.5,1] |
参数说明 |
在从大到小排序的一组数中,决定取第多少大的数,比如有100个数,1.0表示取第100-100*1.0=0,对应的就是第一个大的数。 对待量化的数据做截断处理时,该值越大,说明截断的上边界越接近待量化数据的最大值。 |
推荐配置 |
0.999999 |
必选或可选 |
可选 |
作用 |
最小值搜索位置 |
---|---|
类型 |
float |
取值范围 |
(0.5,1] |
参数说明 |
在从小到大排序的一组数中,决定取第多少小的数,比如有100个数,1.0表示取第100-100*1.0=0,对应的就是第一个小的数。 对待量化的数据做截断处理时,该值越大,说明截断的下边界越接近待量化数据的最小值。 |
推荐配置 |
0.999999 |
必选或可选 |
可选 |
作用 |
控制量化因子的搜索范围[search_range_start, search_range_end] |
---|---|
类型 |
list,列表中两个元素类型为float |
取值范围 |
0<search_range_start<search_range_end |
参数说明 |
控制截断的上边界的浮动范围。
|
推荐配置 |
[0.7,1.3] |
必选或可选 |
可选 |
作用 |
控制量化因子的搜索步长 |
---|---|
类型 |
float |
取值范围 |
(0, (search_range_end-search_range_start)] |
参数说明 |
控制截断的上边界的浮动范围步长,值越小,浮动步长越小。 搜索次数search_iteration=(search_range_end-search_range_start)/search_step,如果搜索次数过大,搜索时间会很长,该场景下将会导致类似进程卡死的问题。 |
推荐配置 |
0.01 |
必选或可选 |
可选 |
作用 |
参数量化算法 |
---|---|
类型 |
string |
取值范围 |
arq_quantize |
参数说明 |
均匀量化取值:arq_quantize |
推荐配置 |
无 |
必选或可选 |
可选 |
作用 |
是否对每个channel采用不同的量化因子 |
---|---|
类型 |
bool |
取值范围 |
true或false |
参数说明 |
|
推荐配置 |
true |
必选或可选 |
可选 |
参数调优说明
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。
- 执行amct_caffe_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。
- 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。
- 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。
- 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。
- 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,将该层的配置删除也可跳过该层量化。在整网精度不达标的时候需要识别出网络中的量化敏感层(量化后误差显著增大),然后取消对量化敏感层的量化动作。识别量化敏感层有两种办法,一个是依据模型结构,一般网络中首层、尾层以及参数量偏少的层,量化后精度会有较大的下降;另外就是可以通过精度比对工具,逐层比对原始模型和量化后模型输出误差(例如以余弦相似度作为标准,需要相似度达到0.99以上),找到误差较大的层,优先对其进行回退。
- 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。
- 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、平均下采样层Pooling(下采样方式为AVE,且非global pooling)没有channel,设置channel_wise为True时,会提示错误信息。
- 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。