中国老熟女久久久,中文字幕不卡高清视频在线,午夜看片亚洲无码高清

PAI-Blade支持TensorFlow和PyTorch模型在GPU硬件、端側設備的INT8量化。本文主要介紹在GPU硬件上，如何使用PAI-Blade量化優化。

背景信息

量化是模型壓縮常用手段之一，通過將原始的全精度32位浮點數分桶量化為位寬更小的定點整數，可以達到節省訪存開銷、提升指令計算吞吐率的雙重目的（需要底層計算硬件的支持）。

TensorFlow模型量化

對TensorFlow模型進行基本優化的方法詳情請參見優化TensorFlow模型。此外，您還可以開啟量化功能，即使用PAI-Blade優化時指定optimization_level='o2'。如果硬件支持INT8計算并存在量化性能收益，則PAI-Blade會以默認方式進行量化。其中：

如果不額外提供校正數據集（Calibration_Dataset），則PAI-Blade執行在線INT8量化方案。
如果希望獲得進一步的加速效果，建議您提供一組用于離線計算量化參數的校正數據集，PAI-Blade將自動開啟離線INT8量化。

對于TensorFlow模型，校正數據集是一個包含若干組feed_dict的列表，示例如下。

# 準備校正數據集。
import numpy as np
calib_data = list()
for i in range(10):
    # feed_dict中value必須全部為np.ndarray類型。
    feed_dict = {'input:0': np.ones((32, 224, 224, 3), dtype=np.float32)}
    calib_data.append(feed_dict)

您可以參考如下步驟對TensorFlow模型進行量化優化。

下載示例模型、測試數據及校正數據集。

wget https://pai-blade.oss-cn-zhangjiakou.aliyuncs.com/test_public_model/bbs/tf_resnet50_v1.5/frozen.pb
wget https://pai-blade.oss-cn-zhangjiakou.aliyuncs.com/test_public_model/bbs/tf_resnet50_v1.5/test_bc32.npy
wget https://pai-blade.oss-cn-zhangjiakou.aliyuncs.com/test_public_model/bbs/tf_resnet50_v1.5/calib_data_test_bc32.npy

加載待優化模型和相應數據。

import numpy as np
import tensorflow as tf
# 加載模型。
graph_def = tf.GraphDef()
with open('frozen.pb', 'rb') as f:
    graph_def.ParseFromString(f.read())
# 加載測試數據。
test_data = np.load('test_bc32.npy', allow_pickle=True, encoding='bytes',).item()
# 加載校正數據集。
calib_data = np.load('calib_data_test_bc32.npy', allow_pickle=True, encoding='bytes',)

執行離線INT8優化。

import blade
optimized_model, opt_spec, report = blade.optimize(
    model=graph_def,
    optimization_level='o2',
    device_type='gpu',
    test_data=test_data,
    calib_data=calib_data
)

驗證優化后的模型精度。
量化優化完成后，您可以在完整的測試數據集上驗證是否存在明顯的精度損失。如果量化后的模型仍然滿足精度要求，則無需繼續執行后續嘗試，反之可以嘗試修改量化配置（quant_config），以緩解精度損失。關于量化配置的詳細信息請參見blade.Config。
目前，TensorFlow模型在GPU上的量化配置僅支持weight_adjustment，啟用該設置后，PAI-Blade將自動調整模型參數以減小量化精度損失。啟用該設置的示例代碼如下所示。
```
quant_config = {
    'weight_adjustment': 'true'  # 默認為'false'。
}
optimized_model, opt_spec, report = blade.optimize(
    model=graph_def,
    optimization_level='o2',
    device_type='gpu',
    test_data=test_data,
    calib_data=calib_data,
    config=blade.Config(quant_config=quant_config)
)
```

PyTorch模型量化

與TensorFlow模型量化類似，您只需要使用PAI-Blade優化時指定optimization_level='o2'即可開啟量化功能。但是與TensorFlow模型量化不同，PyTorch模型量化僅支持離線方式。因此，開啟量化功能時，需要提供一組用于離線計算量化參數的校正數據集。

PyTorch模型的校正數據集是一個包含若干組輸入數據的列表，示例如下。

# 準備校正數據集。
import numpy as np
calib_data = list()
for i in range(10):
    image = torch.ones(32, 3, 224, 224)
    calib_data.append(image)

您可以參考如下步驟對PyTorch模型進行量化優化。