## 量化FAQ 1. 量化训练或者离线量化后的模型体积为什么没有变小？ 2. 量化训练或者离线量化后的模型使用paddle加载为什么没有加速？怎样才能加速？ 3. 该怎么设置适合的量化配置？ 4. 离线量化出现'KeyError: '报错 5. 离线量化或者量化训练时出现CUDNN或者CUDA错误 6. 量化训练时loss是nan 7. cpu上跑量化后的模型出nan #### 1. 量化训练或者离线量化后的模型体积为什么没有变小？ 答：这是因为量化后保存的参数是虽然是int8范围，但是类型是float。这是因为Paddle训练前向默认的Kernel不支持INT8 Kernel实现，只有Paddle Inference TensorRT的推理才支持量化推理加速。为了方便量化后验证量化精度，使用Paddle训练前向能加载此模型，默认保存的Float32类型权重，体积没有发生变换。 #### 2. 量化训练或者离线量化后的模型使用paddle加载为什么没有加速？怎样才能加速？ 答：这是因为量化后保存的参数是虽然是Int8范围，但是类型是Float32。Paddle训练前向默认的Kernel并不具备加速量化模型的能力。量化模型必须配合使用支持Int8计算的的预测库才能加速。 - 如果量化模型在ARM上线，则需要使用[Paddle Lite](https://paddle-lite.readthedocs.io/zh/latest/index.html). - Paddle Lite会对量化模型进行模型转化和优化，转化方法见[链接](https://paddle-lite.readthedocs.io/zh/latest/index.html#sec-user-guides)。 - 转化之后可以像非量化模型一样使用[Paddle Lite API](https://paddle-lite.readthedocs.io/zh/latest/index.html)进行加载预测。 - 如果量化模型在GPU上线，则需要使用[Paddle-TensorRT 预测接口](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/advanced_guide/performance_improving/inference_improving/paddle_tensorrt_infer.html). - 和非量化模型的区别在于以下参数设置： ```python config->EnableTensorRtEngine(1 << 20 /* workspace_size*/, batch_size /* max_batch_size*/, 3 /* min_subgraph_size*/, AnalysisConfig::Precision::kInt8 /* precision*/, false /* use_static*/, false /* use_calib_mode*/); ``` - 如果量化模型在x86上线，需要使用[INT8 MKL-DNN](https://github.com/PaddlePaddle/Paddle/tree/develop/python/paddle/static/quantization/tests) - 首先对模型进行转化，可以参考[脚本](https://github.com/PaddlePaddle/Paddle/blob/develop/python/paddle/static/quantization/tests/save_quant_model.py) - 转化之后可使用预测部署API进行加载。比如[c++ API](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/advanced_guide/inference_deployment/inference/native_infer.html) #### 3. 该怎么设置适合的量化配置？ - 首先需要考虑量化模型上线的平台 | 平台 | 支持weight量化方式 | 支持activation量化方式 | 支持量化的OP | | ---------------- | ------------------------------ | ------------------------------------- | ------------------------------------------------------------ | | ARM(Paddle Lite) | channel_wise_abs_max， abs_max | moving_average_abs_max，range_abs_max | conv2d, depthwise_conv2d, mul | | x86(MKL-DNN) | abs_max | moving_average_abs_max，range_abs_max | conv2d, depthwise_conv2d, mul, matmul | | GPU(TensorRT) | channel_wise_abs_max | moving_average_abs_max，range_abs_max | mul, conv2d, pool2d, depthwise_conv2d, elementwise_add, leaky_relu | - 部分层跳过量化 如果量化后精度损失较大，可以考虑跳过部分对量化敏感的计算不量化，比如最后一层或者attention计算。 #### 4. 离线量化出现'KeyError: '报错 答： 一般是reader没写对，导致离线量化是前向一次没跑，没有收集到中间的激活值。 #### 5. 离线量化或者量化训练时出现CUDNN或者CUDA错误 答：因为离线量化或者量化训练并没有涉及到对cuda或者cudnn做修改， 因此这个错误一般是机器上的cuda或者cudnn版本和Paddle所需的cuda或者cudnn版本不一致。 #### 6. 量化训练时loss是nan 答：需要适当调小学习率。如果小学习率依然不能解决问题，则需要考虑是否某些层对量化敏感，需要跳过量化，比如attention. #### 7. cpu上跑量化后的模型出nan 答：可查看使用的paddle版本是否包含[pr](https://github.com/PaddlePaddle/Paddle/pull/22966)， 该pr修复了在对几乎是0的tensor进行量化时的bug。