Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
PaddlePaddle
models
提交
3536bab5
M
models
项目概览
PaddlePaddle
/
models
大约 1 年 前同步成功
通知
222
Star
6828
Fork
2962
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
602
列表
看板
标记
里程碑
合并请求
255
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
M
models
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
602
Issue
602
列表
看板
标记
里程碑
合并请求
255
合并请求
255
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
3536bab5
编写于
9月 25, 2019
作者:
L
Liufang Sang
提交者:
whs
9月 25, 2019
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
add classification quantization demo (#3409)
* add classification quantization demo
上级
75f985c0
变更
7
隐藏空白更改
内联
并排
Showing
7 changed file
with
357 addition
and
0 deletion
+357
-0
PaddleSlim/classification/quantization/README.md
PaddleSlim/classification/quantization/README.md
+152
-0
PaddleSlim/classification/quantization/__init__.py
PaddleSlim/classification/quantization/__init__.py
+0
-0
PaddleSlim/classification/quantization/compress.py
PaddleSlim/classification/quantization/compress.py
+110
-0
PaddleSlim/classification/quantization/configs/mobilenet_v1.yaml
...lim/classification/quantization/configs/mobilenet_v1.yaml
+20
-0
PaddleSlim/classification/quantization/configs/mobilenet_v2.yaml
...lim/classification/quantization/configs/mobilenet_v2.yaml
+20
-0
PaddleSlim/classification/quantization/configs/resnet50.yaml
PaddleSlim/classification/quantization/configs/resnet50.yaml
+20
-0
PaddleSlim/classification/quantization/run.sh
PaddleSlim/classification/quantization/run.sh
+35
-0
未找到文件。
PaddleSlim/classification/quantization/README.md
0 → 100644
浏览文件 @
3536bab5
>运行该示例前请安装Paddle1.6或更高版本
# 分类模型量化压缩示例
## 概述
该示例使用PaddleSlim提供的
[
量化压缩策略
](
https://github.com/PaddlePaddle/models/blob/develop/PaddleSlim/docs/tutorial.md#1-quantization-aware-training%E9%87%8F%E5%8C%96%E4%BB%8B%E7%BB%8D
)
对分类模型进行压缩。
在阅读该示例前,建议您先了解以下内容:
-
[
分类模型的常规训练方法
](
https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification
)
-
[
PaddleSlim使用文档
](
https://github.com/PaddlePaddle/models/blob/develop/PaddleSlim/docs/usage.md
)
## 配置文件说明
关于配置文件如何编写您可以参考:
-
[
PaddleSlim配置文件编写说明
](
https://github.com/PaddlePaddle/models/blob/develop/PaddleSlim/docs/usage.md#122-%E9%85%8D%E7%BD%AE%E6%96%87%E4%BB%B6%E7%9A%84%E4%BD%BF%E7%94%A8
)
-
[
量化策略配置文件编写说明
](
https://github.com/PaddlePaddle/models/blob/develop/PaddleSlim/docs/usage.md#21-%E9%87%8F%E5%8C%96%E8%AE%AD%E7%BB%83
)
其中save_out_nodes需要传入分类概率结果的Variable的名称,下面介绍如何确定save_out_nodes的参数
以MobileNet V1为例,可在compress.py中构建好网络之后,直接打印Variable得到Variable的名称信息。
代码示例:
```
#
model
definition
,
args
.
model
=
MobileNet
model
=
models
.
__dict__
[
args
.
model
]()
out
=
model
.
net
(
input
=
image
,
class_dim
=
1000
)
print
(
out
)
cost
=
fluid
.
layers
.
cross_entropy
(
input
=
out
,
label
=
label
)
```
根据运行结果可看到Variable的名字为:
`fc_0.tmp_2`
。
## 训练
根据
[
PaddleCV/image_classification/train.py
](
https://github.com/PaddlePaddle/models/blob/develop/PaddleCV/image_classification/train.py
)
编写压缩脚本compress.py。
在该脚本中定义了Compressor对象,用于执行压缩任务。
可以通过命令
`python compress.py`
用默认参数执行压缩任务,通过
`python compress.py --help`
查看可配置参数,简述如下:
-
use_gpu: 是否使用gpu。如果选择使用GPU,请确保当前环境和Paddle版本支持GPU。默认为True。
-
batch_size: 在剪裁之后,对模型进行fine-tune训练时用的batch size。
-
model: 要压缩的目标模型,该示例支持'MobileNet', 'MobileNetV2'和'ResNet50'。
-
pretrained_model: 预训练模型的路径,可以从
[
这里
](
https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification#%E5%B7%B2%E5%8F%91%E5%B8%83%E6%A8%A1%E5%9E%8B%E5%8F%8A%E5%85%B6%E6%80%A7%E8%83%BD
)
下载。
-
config_file: 压缩策略的配置文件。
您可以通过运行脚本
`run.sh`
运行该示例,请确保已正确下载
[
pretrained model
](
https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification#%E5%B7%B2%E5%8F%91%E5%B8%83%E6%A8%A1%E5%9E%8B%E5%8F%8A%E5%85%B6%E6%80%A7%E8%83%BD
)
。
### 训练时的模型结构
这部分介绍来源于
[
量化low-level API介绍
](
https://github.com/PaddlePaddle/models/tree/develop/PaddleSlim/quant_low_level_api#1-%E9%87%8F%E5%8C%96%E8%AE%AD%E7%BB%83low-level-apis%E4%BB%8B%E7%BB%8D
)
。
PaddlePaddle框架中有四个和量化相关的IrPass, 分别是QuantizationTransformPass、QuantizationFreezePass、ConvertToInt8Pass以及TransformForMobilePass。在训练时,对网络应用了QuantizationTransformPass,作用是在网络中的conv2d、depthwise_conv2d、mul等算子的各个输入前插入连续的量化op和反量化op,并改变相应反向算子的某些输入。示例图如下:
<p
align=
"center"
>
<img
src=
"../../docs/images/usage/TransformPass.png"
height=
400
width=
520
hspace=
'10'
/>
<br
/>
<strong>
图1:应用QuantizationTransformPass后的结果
</strong>
</p>
### 保存断点(checkpoint)
如果在配置文件中设置了
`checkpoint_path`
, 则在压缩任务执行过程中会自动保存断点,当任务异常中断时,
重启任务会自动从
`checkpoint_path`
路径下按数字顺序加载最新的checkpoint文件。如果不想让重启的任务从断点恢复,
需要修改配置文件中的
`checkpoint_path`
,或者将
`checkpoint_path`
路径下文件清空。
>注意:配置文件中的信息不会保存在断点中,重启前对配置文件的修改将会生效。
## 评估
如果在配置文件中设置了
`checkpoint_path`
,则每个epoch会保存一个量化后的用于评估的模型,
该模型会保存在
`${checkpoint_path}/${epoch_id}/eval_model/`
路径下,包含
`__model__`
和
`__params__`
两个文件。
其中,
`__model__`
用于保存模型结构信息,
`__params__`
用于保存参数(parameters)信息。模型结构和训练时一样。
如果不需要保存评估模型,可以在定义Compressor对象时,将
`save_eval_model`
选项设置为False(默认为True)。
脚本
<a
href=
"../eval.py"
>
PaddleSlim/classification/eval.py
</a>
中为使用该模型在评估数据集上做评估的示例。
## 预测
如果在配置文件的量化策略中设置了
`float_model_save_path`
,
`int8_model_save_path`
,
`mobile_model_save_path`
, 在训练结束后,会保存模型量化压缩之后用于预测的模型。接下来介绍这三种预测模型的区别。
### float预测模型
在介绍量化训练时的模型结构时介绍了PaddlePaddle框架中有四个和量化相关的IrPass, 分别是QuantizationTransformPass、QuantizationFreezePass、ConvertToInt8Pass以及TransformForMobilePass。float预测模型是在应用QuantizationFreezePass并删除eval_program中多余的operators之后,保存的模型。
QuantizationFreezePass主要用于改变IrGraph中量化op和反量化op的顺序,即将类似图1中的量化op和反量化op顺序改变为图2中的布局。除此之外,QuantizationFreezePass还会将
`conv2d`
、
`depthwise_conv2d`
、
`mul`
等算子的权重离线量化为int8_t范围内的值(但数据类型仍为float32),以减少预测过程中对权重的量化操作,示例如图2:
<p
align=
"center"
>
<img
src=
"../../docs/images/usage/FreezePass.png"
height=
400
width=
420
hspace=
'10'
/>
<br
/>
<strong>
图2:应用QuantizationFreezePass后的结果
</strong>
</p>
### int8预测模型
在对训练网络进行QuantizationFreezePass之后,执行ConvertToInt8Pass,
其主要目的是将执行完QuantizationFreezePass后输出的权重类型由
`FP32`
更改为
`INT8`
。换言之,用户可以选择将量化后的权重保存为float32类型(不执行ConvertToInt8Pass)或者int8_t类型(执行ConvertToInt8Pass),示例如图3:
<p
align=
"center"
>
<img
src=
"../../docs/images/usage/ConvertToInt8Pass.png"
height=
400
width=
400
hspace=
'10'
/>
<br
/>
<strong>
图3:应用ConvertToInt8Pass后的结果
</strong>
</p>
### mobile预测模型
经TransformForMobilePass转换后,用户可得到兼容
[
paddle-lite
](
https://github.com/PaddlePaddle/Paddle-Lite
)
移动端预测库的量化模型。paddle-mobile中的量化op和反量化op的名称分别为
`quantize`
和
`dequantize`
。
`quantize`
算子和PaddlePaddle框架中的
`fake_quantize_abs_max`
算子簇的功能类似,
`dequantize`
算子和PaddlePaddle框架中的
`fake_dequantize_max_abs`
算子簇的功能相同。若选择paddle-mobile执行量化训练输出的模型,则需要将
`fake_quantize_abs_max`
等算子改为
`quantize`
算子以及将
`fake_dequantize_max_abs`
等算子改为
`dequantize`
算子,示例如图4:
<p
align=
"center"
>
<img
src=
"../../docs/images/usage/TransformForMobilePass.png"
height=
400
width=
400
hspace=
'10'
/>
<br
/>
<strong>
图4:应用TransformForMobilePass后的结果
</strong>
</p>
### python预测
float预测模型可直接使用原生PaddlePaddle Fluid预测方法进行预测。
在脚本
<a
href=
"../infer.py"
>
PaddleSlim/classification/infer.py
</a>
中展示了如何使用fluid python API加载使用预测模型进行预测。
### PaddleLite预测
mobile预测模型可使用PaddleLite进行加载预测,可参见教程
[
Paddle-Lite如何加载运行量化模型
](
https://github.com/PaddlePaddle/Paddle-Lite/wiki/model_quantization
)
## 示例结果
### MobileNetV1
| weight量化方式 | activation量化方式| top1_acc/top5_acc |Paddle Fluid inference time(ms)| Paddle Lite inference time(ms)|
|---|---|---|---|---|
|baseline|- |70.99%/89.68%|- |-|
|abs_max|abs_max|- |- |-|
|abs_max|moving_average_abs_max|- |- |-|
|channel_wise_abs_max|abs_max|- |- |-|
>训练超参:
### MobileNetV2
| weight量化方式 | activation量化方式| top1_acc/top5_acc |Paddle Fluid inference time(ms)| Paddle Lite inference time(ms)|
|---|---|---|---|---|
|baseline|- |72.15%/90.65%|- |-|
|abs_max|abs_max|- |- |-|
|abs_max|moving_average_abs_max|- |- |-|
|channel_wise_abs_max|abs_max|- |- |-|
>训练超参:
### ResNet50
| weight量化方式 | activation量化方式| top1_acc/top5_acc |Paddle Fluid inference time(ms)| Paddle Lite inference time(ms)|
|---|---|---|---|---|
|baseline|- |76.50%/93.00%|- |-|
|abs_max|abs_max|- |- |-|
|abs_max|moving_average_abs_max|- |- |-|
|channel_wise_abs_max|abs_max|- |- |-|
>训练超参:
## FAQ
PaddleSlim/classification/quantization/__init__.py
0 → 100644
浏览文件 @
3536bab5
PaddleSlim/classification/quantization/compress.py
0 → 100644
浏览文件 @
3536bab5
from
__future__
import
absolute_import
from
__future__
import
division
from
__future__
import
print_function
import
os
import
time
import
sys
import
logging
import
paddle
import
argparse
import
functools
import
paddle.fluid
as
fluid
sys
.
path
.
append
(
".."
)
import
imagenet_reader
as
reader
import
models
sys
.
path
.
append
(
"../../"
)
from
utility
import
add_arguments
,
print_arguments
from
paddle.fluid.contrib.slim
import
Compressor
logging
.
basicConfig
(
format
=
'%(asctime)s-%(levelname)s: %(message)s'
)
_logger
=
logging
.
getLogger
(
__name__
)
_logger
.
setLevel
(
logging
.
INFO
)
parser
=
argparse
.
ArgumentParser
(
description
=
__doc__
)
add_arg
=
functools
.
partial
(
add_arguments
,
argparser
=
parser
)
# yapf: disable
add_arg
(
'batch_size'
,
int
,
64
*
4
,
"Minibatch size."
)
add_arg
(
'use_gpu'
,
bool
,
True
,
"Whether to use GPU or not."
)
add_arg
(
'model'
,
str
,
None
,
"The target model"
)
add_arg
(
'pretrained_model'
,
str
,
None
,
"Whether to use pretrained model."
)
add_arg
(
'config_file'
,
str
,
None
,
"The config file for compression with yaml format."
)
# yapf: enable
model_list
=
[
m
for
m
in
dir
(
models
)
if
"__"
not
in
m
]
def
compress
(
args
):
image_shape
=
"3,224,224"
image_shape
=
[
int
(
m
)
for
m
in
image_shape
.
split
(
","
)]
image
=
fluid
.
layers
.
data
(
name
=
'image'
,
shape
=
image_shape
,
dtype
=
'float32'
)
label
=
fluid
.
layers
.
data
(
name
=
'label'
,
shape
=
[
1
],
dtype
=
'int64'
)
# model definition
model
=
models
.
__dict__
[
args
.
model
]()
out
=
model
.
net
(
input
=
image
,
class_dim
=
1000
)
# print(out)
cost
=
fluid
.
layers
.
cross_entropy
(
input
=
out
,
label
=
label
)
avg_cost
=
fluid
.
layers
.
mean
(
x
=
cost
)
acc_top1
=
fluid
.
layers
.
accuracy
(
input
=
out
,
label
=
label
,
k
=
1
)
acc_top5
=
fluid
.
layers
.
accuracy
(
input
=
out
,
label
=
label
,
k
=
5
)
val_program
=
fluid
.
default_main_program
().
clone
()
# quantization usually use small learning rate
values
=
[
1e-4
,
1e-5
,
1e-6
]
opt
=
fluid
.
optimizer
.
Momentum
(
momentum
=
0.9
,
learning_rate
=
fluid
.
layers
.
piecewise_decay
(
boundaries
=
[
5000
*
30
,
5000
*
60
],
values
=
values
),
regularization
=
fluid
.
regularizer
.
L2Decay
(
4e-5
))
place
=
fluid
.
CUDAPlace
(
0
)
if
args
.
use_gpu
else
fluid
.
CPUPlace
()
exe
=
fluid
.
Executor
(
place
)
exe
.
run
(
fluid
.
default_startup_program
())
if
args
.
pretrained_model
:
assert
os
.
path
.
exists
(
args
.
pretrained_model
),
"pretrained_model path doesn't exist"
def
if_exist
(
var
):
return
os
.
path
.
exists
(
os
.
path
.
join
(
args
.
pretrained_model
,
var
.
name
))
fluid
.
io
.
load_vars
(
exe
,
args
.
pretrained_model
,
predicate
=
if_exist
)
val_reader
=
paddle
.
batch
(
reader
.
val
(),
batch_size
=
args
.
batch_size
)
val_feed_list
=
[(
'image'
,
image
.
name
),
(
'label'
,
label
.
name
)]
val_fetch_list
=
[(
'acc_top1'
,
acc_top1
.
name
),
(
'acc_top5'
,
acc_top5
.
name
)]
train_reader
=
paddle
.
batch
(
reader
.
train
(),
batch_size
=
args
.
batch_size
,
drop_last
=
True
)
train_feed_list
=
[(
'image'
,
image
.
name
),
(
'label'
,
label
.
name
)]
train_fetch_list
=
[(
'loss'
,
avg_cost
.
name
)]
com_pass
=
Compressor
(
place
,
fluid
.
global_scope
(),
fluid
.
default_main_program
(),
train_reader
=
train_reader
,
train_feed_list
=
train_feed_list
,
train_fetch_list
=
train_fetch_list
,
eval_program
=
val_program
,
eval_reader
=
val_reader
,
eval_feed_list
=
val_feed_list
,
eval_fetch_list
=
val_fetch_list
,
teacher_programs
=
[],
train_optimizer
=
opt
,
distiller_optimizer
=
None
)
com_pass
.
config
(
args
.
config_file
)
com_pass
.
run
()
def
main
():
args
=
parser
.
parse_args
()
print_arguments
(
args
)
compress
(
args
)
if
__name__
==
'__main__'
:
main
()
PaddleSlim/classification/quantization/configs/mobilenet_v1.yaml
0 → 100644
浏览文件 @
3536bab5
version
:
1.0
strategies
:
quantization_strategy
:
class
:
'
QuantizationStrategy'
start_epoch
:
0
end_epoch
:
0
float_model_save_path
:
'
./output/mobilenet_v1/float'
mobile_model_save_path
:
'
./output/mobilenet_v1/mobile'
int8_model_save_path
:
'
./output/mobilenet_v1/int8'
weight_bits
:
8
activation_bits
:
8
weight_quantize_type
:
'
abs_max'
activation_quantize_type
:
'
moving_average_abs_max'
save_in_nodes
:
[
'
image'
]
save_out_nodes
:
[
'
fc_0.tmp_2'
]
compressor
:
epoch
:
1
checkpoint_path
:
'
./checkpoints/mobilenet_v1/'
strategies
:
-
quantization_strategy
PaddleSlim/classification/quantization/configs/mobilenet_v2.yaml
0 → 100644
浏览文件 @
3536bab5
version
:
1.0
strategies
:
quantization_strategy
:
class
:
'
QuantizationStrategy'
start_epoch
:
0
end_epoch
:
0
float_model_save_path
:
'
./output/mobilenet_v2/float'
mobile_model_save_path
:
'
./output/mobilenet_v2/mobile'
int8_model_save_path
:
'
./output/mobilenet_v2/int8'
weight_bits
:
8
activation_bits
:
8
weight_quantize_type
:
'
abs_max'
activation_quantize_type
:
'
moving_average_abs_max'
save_in_nodes
:
[
'
image'
]
save_out_nodes
:
[
'
fc_0.tmp_2'
]
compressor
:
epoch
:
1
checkpoint_path
:
'
./checkpoints/mobilenet_v2/'
strategies
:
-
quantization_strategy
PaddleSlim/classification/quantization/configs/resnet50.yaml
0 → 100644
浏览文件 @
3536bab5
version
:
1.0
strategies
:
quantization_strategy
:
class
:
'
QuantizationStrategy'
start_epoch
:
0
end_epoch
:
0
float_model_save_path
:
'
./output/resnet50/float'
mobile_model_save_path
:
'
./output/resnet50/mobile'
int8_model_save_path
:
'
./output/resnet50/int8'
weight_bits
:
8
activation_bits
:
8
weight_quantize_type
:
'
abs_max'
activation_quantize_type
:
'
moving_average_abs_max'
save_in_nodes
:
[
'
image'
]
save_out_nodes
:
[
'
fc_0.tmp_2'
]
compressor
:
epoch
:
2
checkpoint_path
:
'
./checkpoints/resnet50/'
strategies
:
-
quantization_strategy
PaddleSlim/classification/quantization/run.sh
0 → 100644
浏览文件 @
3536bab5
#!/usr/bin/env bash
#export CUDA_VISIBLE_DEVICES=0
# for quantization for mobilenet_v1
#python compress.py \
# --model "MobileNet" \
# --use_gpu 1 \
# --batch_size 32 \
# --pretrained_model ../pretrain/MobileNetV1_pretrained \
# --config_file "./configs/mobilenet_v1.yaml" \
#> mobilenet_v1.log 2>&1 &
#tailf mobilenet_v1.log
# for quantization of mobilenet_v2
# python compress.py \
# --model "MobileNetV2" \
# --use_gpu 1 \
# --batch_size 32 \
# --pretrained_model ../pretrain/MobileNetV2_pretrained \
# --config_file "./configs/mobilenet_v2.yaml" \
# > mobilenet_v2.log 2>&1 &
#tailf mobilenet_v2.log
# for compression of resnet50
python compress.py
\
--model
"ResNet50"
\
--use_gpu
1
\
--batch_size
32
\
--pretrained_model
../pretrain/ResNet50_pretrained
\
--config_file
"./configs/resnet50.yaml"
\
>
resnet50.log 2>&1 &
tailf resnet50.log
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录