极智AI | 再谈昇腾CANN量化

欢迎关注我的公众号 [极智视界]，获取我的更多笔记分享

大家好，我是极智视界，本文介绍一下 再谈昇腾CANN量化。

在上一篇已经介绍了昇腾CANN量化的原理，对于原理或公式推导有兴趣的同学可以去看一看：《谈谈昇腾CANN量化》。这篇咱们继续，来谈谈昇腾CANN量化的命令行操作。

要进行量化操作，首先要安装好量化环境，这里先简单介绍一下量化环境的安装：

# (1) Anacona3安装，用conda管理python环境，略过

# (2) conda创建amct环境，python版本3.7.5
conda create -n amct_py375 python=3.7.5

# (3) 激活conda环境
conda activate amct_py375

# (4) 安装onnx=1.8.0，onnxruntime=1.6.0，protobuf=3.11.3
pip install -i https://pypi.douban.com/simple onnx=1.8.0 onnxruntime=1.6.0 protobuf=3.11.3

# (5) 下载Ascend-cann-amct_{software version}_{arch}.tar.gz并解压
tar -zxvf Ascend-cann-amct_{software version}_{arch}.tar.gz

# (6) 安装amct_onnx-{version}-py3-none-linux_{arch}.whl ==> 以onnx为例
pip install amct_onnx-{version}-py3-none-linux_{arch}.whl

# (7) 编译并安装自定义算子包
tar -zxvf amct_onnx_op.tar.gz
## 解压后目录
## amct_onnx_op
## |--inc
## |--src
## |--setup.py
cd amct_onnx_op
python setup.py build

# (8) 验证amct_onnx是否安装成功
amct_onnx

需要注意的是：在编译自定义算子包前，在amct_onnx_op/inc
里面还需要手动下载四个头放进去，下载路径：https://github.com/microsoft/onnxruntime/tree/v1.6.0/include/onnxruntime/core/session(注意版本的对应，否则在执行amct_onnx时会出现segmentation fault)。

四个头包括：

• onnxruntime_cxx_api.h
• onnxruntime_cxx_inline.h
• onnxruntime_c_api.h
• onnxruntime_session_options_config_keys.h

这样就完成了CANN量化工具的安装，接着来看命令行的方式怎么使用。主要包括两个方面：(1) 量化数据集的制作；(2) 命令行量化。

首先来说量化数据集的制作，先把量化图片放在一个叫images的文件夹里面，然后使用如下脚本生成calibration.bin：

import os
import numpy as np
import cv2

PATH = os.path.realpath('./')
IMAGE_PATH = os.path.join(PATH, './images')
BIN_PATH = os.path.join(PATH, './calibration')
BIN_FILE = os.path.join(BIN_PATH, 'calibration.bin')
# 前处理参数
MEAN = [0.485, 0.456, 0.406] 
STD = [0.229, 0.224, 0.225]
CALIBRATION_SIZE = 16

def get_labels_from_txt(label_file):
    """Read all images' name and label from label_file"""
    image_names = []
    labels = []
    label_file = os.path.realpath(label_file)
    with open(label_file, 'r') as fid:
        lines = fid.readlines()
        for line in lines:
            image_names.append(line.split(' ')[0])
            labels.append(int(line.split(' ')[1]))
    return image_names, labels

# h、w可自定义
def prepare_image_input(images, height=256, width=256, crop_size=224):
    """Read image files to blobs [batch_size, 3, 224, 224]"""
    input_array = np.zeros((len(images), 3, crop_size, crop_size), np.float32)
    mean = MEAN
    std = STD

    imgs = np.zeros((len(images), 3, height, width), np.float32)
    for index, im_file in enumerate(images):
        im_data = cv2.imread(im_file)
        im_data = cv2.resize(
            im_data, (256, 256), interpolation=cv2.INTER_CUBIC)
        cv2.cvtColor(im_data, cv2.COLOR_BGR2RGB)

        imgs[index] = im_data.transpose(2, 0, 1).astype(np.float32)

    h_off = int((height - crop_size) / 2)
    w_off = int((width - crop_size) / 2)
    input_array = imgs[:, :, h_off:(h_off + crop_size),
                        w_off:(w_off + crop_size)]
    # trans uint8 image data to float
    input_array /= 255
    # do channel-wise reduce mean value
    for channel in range(input_array.shape[1]):
        input_array[:, channel, :, :] -= mean[channel]
    # do channel-wise divide std
    for channel in range(input_array.shape[1]):
        input_array[:, channel, :, :] /= std[channel]

    return input_array


def process_data():
    """process data"""
    # prepare cur batch data
    image_names, labels = get_labels_from_txt(
        os.path.join(IMAGE_PATH, 'image_label.txt'))
    if len(labels) < CALIBRATION_SIZE:
        raise RuntimeError(
            'num of image in {} is less than total_num{}'
            .format(IMAGE_PATH, CALIBRATION_SIZE))
    labels = labels[0:CALIBRATION_SIZE]
    image_names = image_names[0:CALIBRATION_SIZE]
    image_names = [
        os.path.join(IMAGE_PATH, image_name) for image_name in image_names
    ]
    input_array = prepare_image_input(image_names)
    return input_array


def main():
    """process image and save it to bin"""
    input_array = process_data()
    if not os.path.exists(BIN_PATH):
        os.mkdir(BIN_PATH)
    input_array.tofile(BIN_FILE)


if __name__ == '__main__':
    main()

在执行完上述量化脚本后，会生成一个输入数据calibration.bin，然后可以使用命令行进行量化。基本量化命令如下：

amct_onnx calibration --model {model}.onnx --input_shape "input:1,3,224,224" --data_type "float32" --data_dir ./calibration/ --save_path ./results

量化执行成功后，会在results目录下生成可用的量化模型results_deploy_model.onnx，并附有一些量化监督文件、仿真文件和量化日志。下面是量化模型的局部节点截图，可以看到包含了量化节点和解量化节点。

关于amct_onnx命令行的参数，我也进行了整理，如下：

当生成了deploy model后，就可以进一步使用atc工具进行om模型的转换和部署了。

下篇咱们再来说说CANN的量化的python API。

好了，以上分享再谈昇腾CANN量化，希望我的分享能对你的学习有一点帮助。

【极智视界】

《极智AI | 再谈昇腾CANN量化》

搜索关注我的微信公众号「极智视界」，获取我的更多经验分享，让我们用极致+极客的心态来迎接AI ！