离线量化示例#

本示例介绍如何使用离线量化接口paddleslim.quant.quant_post来对训练好的分类模型进行离线量化, 该接口无需对模型进行训练就可得到量化模型，减少模型的存储空间和显存占用。

接口介绍#

请参考 量化API文档。

分类模型的离线量化流程#

准备数据#

在当前文件夹下创建data文件夹，将imagenet数据集解压在data文件夹下，解压后data文件夹下应包含以下文件： - 'train'文件夹，训练图片 - 'train_list.txt'文件 - 'val'文件夹，验证图片 - 'val_list.txt'文件

准备需要量化的模型#

因为离线量化接口只支持加载通过fluid.io.save_inference_model接口保存的模型，因此如果您的模型是通过其他接口保存的，那需要先将模型进行转化。本示例将以分类模型为例进行说明。

首先在imagenet分类模型中下载训练好的mobilenetv1模型。

在当前文件夹下创建'pretrain'文件夹，将mobilenetv1模型在该文件夹下解压，解压后的目录为pretrain/MobileNetV1_pretrained

导出模型#

通过运行以下命令可将模型转化为离线量化接口可用的模型：

1

python export_model.py --model "MobileNet" --pretrained_model ./pretrain/MobileNetV1_pretrained --data imagenet

离线量化#

接下来对导出的模型文件进行离线量化，离线量化的脚本为quant_post.py，脚本中使用接口paddleslim.quant.quant_post对模型进行离线量化。运行命令为：

1

python quant_post.py --model_path ./inference_model/MobileNet --save_path ./quant_model_train/MobileNet --model_filename model --params_filename weights

• model_path: 需要量化的模型坐在的文件夹
• save_path: 量化后的模型保存的路径
• model_filename: 如果需要量化的模型的参数文件保存在一个文件中，则设置为该模型的模型文件名称，如果参数文件保存在多个文件中，则不需要设置。
• params_filename: 如果需要量化的模型的参数文件保存在一个文件中，则设置为该模型的参数文件名称，如果参数文件保存在多个文件中，则不需要设置。

运行以上命令后，可在${save_path}下看到量化后的模型文件和参数文件。

使用的量化算法为'KL', 使用训练集中的160张图片进行量化参数的校正。

测试精度#

使用eval.py脚本对量化前后的模型进行测试，得到模型的分类精度进行对比。

首先测试量化前的模型的精度，运行以下命令：

1

python eval.py --model_path ./inference_model/MobileNet --model_name model --params_name weights

1

top1_acc/top5_acc= [0.70913923 0.89548034]

使用以下命令测试离线量化后的模型的精度：

1

python eval.py --model_path ./quant_model_train/MobileNet

精度输出为

1

top1_acc/top5_acc= [0.70141864 0.89086477]