百度深度学习框架paddlepaddle实战五——模型压缩

微信公众号：小白图像与视觉

关于技术、关注yysilence00。有问题或建议，请公众号留言。

说明

本次作业为二种类型，分别是选择题和实践题。其中选择题是不定项选择。实践题需要在提示的地方填上代码，跑通项目。

资料

做作业时可以参考以下资料。

PaddleSlim代码地址： https://github.com/PaddlePaddle/PaddleSlim

文档地址：https://paddlepaddle.github.io/PaddleSlim/

选择题

【1】定点化量化的优点有哪些？

A. 存带宽 B. 低功耗 C. 低计算资源 D. 低存储体积

【2】在常规蒸馏任务中，以下说法正确的是：

A. 只有teacher model的参数需要更新

B. 只有student model的参数需要更新

C. teacher model和student model 的参数都需要更新

D.teacher model和student model 的参数都不需要更新

【3】是否能用MobileNetv1蒸馏ResNet50？

A: 能

B: 不能

【4】下面方法哪些可以减少模型推理时间？

A. 只对权重weight进行量化

B. 对ResNet50模型进行蒸馏提高精度

C. 对模型进行裁剪，减少通道数

D. 对权重weight和激活进行量化，预测采用INT8计算

【5】NAS的三个关键要素是：

A. 搜索空间

B. 搜索算法

C. 模型优化

D. 模型评估

选择题答题卡

请将每道选择题的答案写在这里：

【1】A B C D

【2】C

【3】B

【4】B C D

【5】A B D

图像分类模型量化教程

该教程以图像分类模型MobileNetV1为例，说明如何快速使用量化训练接口。
该示例包含以下步骤：

1. 导入依赖
2. 构建模型
3. 定义输入数据
4. 训练模型
5. 量化模型 这个步骤中需要添加代码
6. 训练和测试量化后的模型

以下章节依次介绍每个步骤的内容。

0. 安装paddleslim

!pip install paddleslim

Looking in indexes: https://pypi.mirrors.ustc.edu.cn/simple/
Collecting paddleslim
[?25l  Downloading https://mirrors.tuna.tsinghua.edu.cn/pypi/web/packages/69/3c/880afac020e3393da5a55b4e0b504d2b644a7ebe91092d953185f09660d1/paddleslim-1.0.1-py2.py3-none-any.whl (103kB)
    100% |████████████████████████████████| 112kB 8.8MB/s ta 0:00:01
[?25hRequirement already satisfied: tqdm in /opt/conda/envs/python27-paddle120-env/lib/python2.7/site-packages (from paddleslim) (4.36.1)
Installing collected packages: paddleslim
Successfully installed paddleslim-1.0.1

1. 导入依赖

PaddleSlim依赖Paddle1.7版本，请确认已正确安装Paddle，然后按以下方式导入Paddle和PaddleSlim:

import paddle
import paddle.fluid as fluid
import paddleslim as slim
import numpy as np

2. 构建模型

该章节构造一个用于对MNIST数据进行分类的分类模型，选用MobileNetV1，并将输入大小设置为[1, 28, 28]，输出类别数为10。
为了方便展示示例，我们在paddleslim.models下预定义了用于构建分类模型的方法，执行以下代码构建分类模型：

use_gpu = fluid.is_compiled_with_cuda()
exe, train_program, val_program, inputs, outputs = slim.models.image_classification("MobileNet", [1, 28, 28], 10, use_gpu=use_gpu)
place = fluid.CUDAPlace(0) if fluid.is_compiled_with_cuda() else fluid.CPUPlace()

3 定义输入数据

为了快速执行该示例，我们选取简单的MNIST数据，Paddle框架的paddle.dataset.mnist包定义了MNIST数据的下载和读取。
代码如下：

import paddle.dataset.mnist as reader
train_reader = paddle.batch(
        reader.train(), batch_size=128, drop_last=True)
test_reader = paddle.batch(
        reader.test(), batch_size=128, drop_last=True)
data_feeder = fluid.DataFeeder(inputs, place)

Cache file /home/aistudio/.cache/paddle/dataset/mnist/train-images-idx3-ubyte.gz not found, downloading https://dataset.bj.bcebos.com/mnist/train-images-idx3-ubyte.gz 
Begin to download
....................
Download finished
Cache file /home/aistudio/.cache/paddle/dataset/mnist/train-labels-idx1-ubyte.gz not found, downloading https://dataset.bj.bcebos.com/mnist/train-labels-idx1-ubyte.gz 
Begin to download
........
Download finished
Cache file /home/aistudio/.cache/paddle/dataset/mnist/t10k-images-idx3-ubyte.gz not found, downloading https://dataset.bj.bcebos.com/mnist/t10k-images-idx3-ubyte.gz 
Begin to download
....................
Download finished
Cache file /home/aistudio/.cache/paddle/dataset/mnist/t10k-labels-idx1-ubyte.gz not found, downloading https://dataset.bj.bcebos.com/mnist/t10k-labels-idx1-ubyte.gz 
Begin to download
..
Download finished

4. 训练和测试

先定义训练和测试函数，正常训练和量化训练时只需要调用函数即可。在训练函数中执行了一个epoch的训练，因为MNIST数据集数据较少，一个epoch就可将top1精度训练到95%以上。

def train(prog):
    iter = 0
    for data in train_reader():
        acc1, acc5, loss = exe.run(prog, feed=data_feeder.feed(data), fetch_list=outputs)
        if iter % 100 == 0:
            print('train iter={}, top1={}, top5={}, loss={}'.format(iter, acc1.mean(), acc5.mean(), loss.mean()))
        iter += 1
        
def test(prog):
    iter = 0
    res = [[], []]
    for data in test_reader():
        acc1, acc5, loss = exe.run(prog, feed=data_feeder.feed(data), fetch_list=outputs)
        if iter % 100 == 0:
            print('test iter={}, top1={}, top5={}, loss={}'.format(iter, acc1.mean(), acc5.mean(), loss.mean()))
        res[0].append(acc1.mean())
        res[1].append(acc5.mean())
        iter += 1
    print('final test result top1={}, top5={}'.format(np.array(res[0]).mean(), np.array(res[1]).mean()))

调用train函数训练分类网络，train_program是在第2步：构建网络中定义的

train(train_program)

调用test函数测试分类网络，val_program是在第2步：构建网络中定义的。

test(val_program)

5. 量化模型

按照配置在train_program和val_program中加入量化和反量化op.

place = exe.place
quant_program = slim.quant.quant_aware(train_program, exe.place, for_test=False)        #请在次数添加你的代码
val_quant_program = slim.quant.quant_aware(val_program, exe.place, for_test=True)    #请在次数添加你的代码

2020-04-05 20:17:09,941-INFO: quant_aware config {'moving_rate': 0.9, 'weight_quantize_type': 'channel_wise_abs_max', 'is_full_quantize': False, 'dtype': 'int8', 'weight_bits': 8, 'window_size': 10000, 'activation_bits': 8, 'quantize_op_types': ['conv2d', 'depthwise_conv2d', 'mul'], 'not_quant_pattern': ['skip_quant'], 'activation_quantize_type': 'moving_average_abs_max', 'for_tensorrt': False}
2020-04-05 20:17:10,959-INFO: quant_aware config {'moving_rate': 0.9, 'weight_quantize_type': 'channel_wise_abs_max', 'is_full_quantize': False, 'dtype': 'int8', 'weight_bits': 8, 'window_size': 10000, 'activation_bits': 8, 'quantize_op_types': ['conv2d', 'depthwise_conv2d', 'mul'], 'not_quant_pattern': ['skip_quant'], 'activation_quantize_type': 'moving_average_abs_max', 'for_tensorrt': False}

6 训练和测试量化后的模型¶

微调量化后的模型，训练一个epoch后测试。

train(quant_program)

train iter=0, top1=0.046875, top5=0.328125, loss=2.96054124832
train iter=100, top1=0.921875, top5=1.0, loss=0.224727720022
train iter=200, top1=0.96875, top5=1.0, loss=0.122609585524
train iter=300, top1=0.9375, top5=0.9921875, loss=0.254058033228
train iter=400, top1=0.953125, top5=1.0, loss=0.172934532166

测试量化后的模型，和3.2 训练和测试中得到的测试结果相比，精度相近，达到了无损量化。

test(val_quant_program)

final test result top1=0.971153855324, top5=0.998998403549

更多请参考：