Skip to content

Latest commit

 

History

History
98 lines (81 loc) · 4.98 KB

AnalysisQuant.md

File metadata and controls

98 lines (81 loc) · 4.98 KB

量化分析工具详细教程

1. 量化分析工具功能

  1. 统计分析(statistical_analyse)：

    • 可视化激活和权重箱状图。箱状图可发现是否出现离群点。
    • 可视化权重和激活直方分布图。直方分布图可观察更具体的数值分布。
    • 提供量化前后权重和激活的具体数据信息，包括min，max，mean，std等。

  2. 精度误差分析(metric_error_analyse)：

    • 遍历量化模型的每层，并计算量化后精度。该功能可以定位具体某层导致的量化损失。

  3. 获取目标模型(get_target_quant_model)：

    • 输入预期精度，直接产出符合预期精度的量化模型。

2. paddleslim.quant.AnalysisQuant 可传入参数解析

model_dir
model_filename: None
params_filename: None
eval_function: None
data_loader: None
save_dir: 'analysis_results'
resume: False
ptq_config
  • model_dir: 必须传入的模型文件路径，可为文件夹名；若模型为ONNX类型，直接输入'.onnx'模型文件名称即可。
  • model_filename: 默认为None，若model_dir为文件夹名，则必须传入以'.pdmodel'结尾的模型名称，若model_dir为'.onnx'模型文件名称，则不需要传入。
  • params_filename: 默认为None，若model_dir为文件夹名，则必须传入以'.pdiparams'结尾的模型名称，若model_dir为'.onnx'模型文件名称，则不需要传入。
  • eval_function：若需要验证精度，需要传入自定义的验证函数。
  • data_loader：模型校准时使用的数据，DataLoader继承自paddle.io.DataLoader。可以直接使用模型套件中的DataLoader，或者根据paddle.io.DataLoader自定义所需要的DataLoader。
  • save_dir：分析后保存模型精度或pdf等文件的文件夹，默认为analysis_results。
  • resume：是否加载中间分析文件
  • ptq_config：可传入的离线量化中的参数，详细可参考离线量化文档。

3. 量化分析工具的使用

创建量化分析工具 ：

analyzer = AnalysisQuant(
		model_dir=config["model_dir"],
		model_filename=config["model_filename"],
		params_filename=config["params_filename"],
		eval_function=eval_function,
		data_loader=data_loader,
		save_dir=config['save_dir'],
		ptq_config=config['PTQ'])

统计分析

analyzer.statistical_analyse()

调用该接口，会统计量化前和量化后每一个可量化权重和其对应激活的数据。只使用该接口可以不输入Eval Function，但需要输入DataLoader，少量数据即可。会产出以下文件：

  • fp_activation_boxplot.pdf：量化前Float数据类型的模型激活箱状图
  • fp_weight_boxplot.pdf：量化前Float数据类型的模型权重箱状图
  • quantized_activation_boxplot.pdf：量化后INT数据类型的模型激活箱状图
  • quantized_weight_boxplot.pdf：量化后INT数据类型的模型权重箱状图
  • fp_activation_histplot.pdf：量化前Float数据类型的模型激活直方图
  • fp_weight_histplot.pdf：量化前Float数据类型的模型权重直方图
  • quantized_activation_histplot.pdf：量化后INT数据类型的模型激活直方图
  • quantized_weight_histplot.pdf：量化后INT数据类型的模型权重直方图
  • statistic.csv：量化前后权重和激活的具体数据信息，表格中会保存的信息有：
    • Var Name: Variable的名称
    • Var Type：Variable的类型，Weight或Activation
    • Corresponding Weight Name：如果为Activation，其对应的Weight名称
    • FP32 Min：量化前Float数据类型的最小值
    • FP32 Max：量化前Float数据类型的最大值
    • FP32 Mean：量化前Float数据类型的平均值
    • FP32 Std：量化前Float数据类型的方差值
    • Quantized Min：量化后INT数据类型的最小值
    • Quantized Max：量化后INT数据类型的最大值
    • Quantized Mean：量化后INT数据类型的平均值
    • Quantized Std：量化后INT数据类型的方差值
    • Diff Min：量化前后该Variable的相差的最小值
    • Diff Max：量化前后该Variable的相差的最大值
    • Diff Mean：量化前后该Variable的相差的平均值
    • Diff Std：量化前后该Variable的相差的方差值

精度误差分析

analyzer.metric_error_analyse()

调用该接口，会遍历量化模型中的一层，并计算量化该层后模型的损失。调用该接口时，需要输入Eval Function。会产出所有只量化一层的模型精度排序，将默认保存在 ./analysis_results/analysis.txt 中。

直接产出符合预期精度的目标量化模型

analyzer.get_target_quant_model(target_metric)

4. 根据分析结果执行离线量化

执行完量化分析工具后，可根据 analysis.txt 中的精度排序，在量化中去掉效果较差的层，具体操作为：在调用 paddleslim.quant.quant_post_static 时加入参数 skip_tensor_list，将需要去掉的层传入即可。