RKNPU入门与实践 ---- 混合量化

news2024/12/22 22:24:19

前言

一、混合量化

1.1 概念介绍

1.1.1 hybrid_quantization_step1

1.1.2 hybrid_quantization_step2

二、实际编写程序

2.1混合量化第一阶段

2.2 混合量化第二阶段

三、混合量化第一步接口参数proposal

前言

为什么要进行混合量化？
答案：提高模型每一层精度，提高模型精度
从博文：
RKNPU2从入门到实践 --- 【6】模型评估----量化精度分析-CSDN博客我们得到了量化精度，如下图所示，下图表示的是连板推理时模型的量化精度，我们以input.25这一层为例，发现该层的runtime_error中的golden_err【计算的是上一层的输出层，也即input.25当前层的精度】只有0.930068，这是比较小的。

那对于这种问题，该如何处理呢？
这就需要混合量化来优化这个精度了。

一、混合量化

1.1 概念介绍

1.1.1 hybrid_quantization_step1

使用混合量化功能时，第一阶段调用的主要接口是 hybrid_quantization_step1，用于生成临时模型文件（ {model_name}.model ）、数据文件（ {model_name}.data ）和量化配置文件（{model_name}.quantization.cfg）。接口详情如下：

1.1.2 hybrid_quantization_step2

用于使用混合量化功能时生成 RKNN 模型，接口详情如下：

举例如下：

二、实际编写程序

创建项目文件夹，以及相应的文件，并将相关资料放入项目文件夹中，如下图所示。

在step1.py文件中，先写入如下代码：

from rknn.api import RKNN

if __name__ == '__main__':
    # 第一步：创建RKNN对象
    rknn = RKNN()

    # 第二步：配置RKNN对象参数
    rknn.config(
        mean_values=[[123.675,116.28,103.53]],
        std_values=[[58.395,58.395,58.395]],
        target_platform='rk3588'
        # 其余参数保持默认即可
    )

    # 第三步：调用load_pytorch接口导入pt模型
    rknn.load_pytorch(model='./resnet18.pt',input_size_list=[[1, 3, 224, 224]])

    
    # 最后一步：释放RKNN对象
    rknn.release()

2.1混合量化第一阶段

根据流程图，第四步为混合量化的step1，对应的代码为：

添入step1代码后的整体代码如下：

from rknn.api import RKNN

if __name__ == '__main__':
    # 第一步：创建RKNN对象
    rknn = RKNN()

    # 第二步：配置RKNN对象参数
    rknn.config(
        mean_values=[[123.675,116.28,103.53]],
        std_values=[[58.395,58.395,58.395]],
        target_platform='rk3588'
        # 其余参数保持默认即可
    )

    # 第三步：调用load_pytorch接口导入pt模型
    rknn.load_pytorch(model='./resnet18.pt',input_size_list=[[1, 3, 224, 224]])

    # 使用hybrid_quantization_step1 接口进行混合量化的第一步
    rknn.hybrid_quantization_step1(
        dataset='dataset.txt', # 表示模型量化所需要的数据集
        rknn_batch_size=-1, # 表示自动调整模型输入batch数量
        proposal=False, # 默认为False。设置为True，可以自动产生混合量化的配置建议值
        proposal_dataset_size=1
    )
    # 最后一步：释放RKNN对象
    rknn.release()

接下来运行该程序：
得到如下图：

我们要对得到的resnet18.quantization.cfg文件进行修改。该文件内容如下所示：

修改的地方为该文件的第一行，即custom_quantize_layers:{}，将input.25层由量化层转换为非量化层，如下所示：

2.2 混合量化第二阶段

在step2.py文件中编写程序：

from rknn.api import RKNN

if __name__ == '__main__':
    # 创建RKNN对象
    rknn = RKNN()
    
    # 直接调用hybrid_quantization_step2接口进行混合量化的第二个步骤
    rknn.hybrid_quantization_step2(
        model_input='resnet18.model',# 表示第一步生成的模型文件
        data_input='resnet18.data', #表示第一步生成的配置文件
        model_quantization_cfg='resnet18.quantization.cfg' # 表示第一步生成的量化配置文件
    )
    
    # 使用量化精度分析接口评估混合量化后的RKNN模型
    rknn.accuracy_analysis(
        inputs=['./space_shuttle_224.jpg'],
        output_dir='./snapshot',
        target='rk3588'
    )
    
    # 调用RKNN模型导出接口（方便后续模型部署）
    rknn.export_rknn(
        export_path='./resnet18.rknn'
    )
    
    #释放RKNN对象
    rknn.release()

运行step2.py程序：

此处有bug，后续更新！！

上图来自于：06_RKNN 模型评估-量化精度分析_哔哩哔哩_bilibili
可以看到，input.25层的golden_err从原来的0.930068变为了现在的0.999746。精度变高。
将经过混合量化和没有经过混合量化的进行对比，这里贴出没有经过混合量化的精度信息截图。

我们从上图中可以看到，input.25这一层的下一层是142层，但是在经过混合量化之后，我们发现input.25层的下一层并不是142层，而是input.25__int8，这一层在input.25层和142层中间，这是为什么呢？这会带来什么样的后果呢？
由于142层的输入类型为int8类型，而input.25已经变为float16类型，故浮点数转换为int8类型，因此才会有input.25__int8这一层的出现。我们看到，input.25__int8层的golden_err只有0.930005。因此，这么一操作，精度不增反减了，那该如何补救呢？
我们干脆直接跳过input.25__int8这一层，因此修改.cfg文件，如下图所示：

加入的 '142': float16 表示将input.25层的输出层，即142层由量化层变为非量化层。
然后重新运行step2.py程序，得到（下图是将终端打印信息拷贝到记事本中，便于观察）：

可以看到，input.25 层周围的精度值都变高了，这也就证明了混合量化效果有效。
以上是对 resnet18.pt 模型的某一层进行混合量化。若对模型进行更多层的混合量化，那么模型的效果会大大提高。

三、混合量化第一步接口参数proposal

在上面，proposal这个参数的取值为False，导致了我们在混合量化第二阶段修改.cfg文件时需要手动去修改。
那么我们将这个参数取值设置为True，又会有怎样的变化呢？

随后运行step1.py程序，得到：

我们来看看.cfg文件有什么变化：

我们发现.cfg文件中的custom_quantize_layers由proposal取值为False时的空变为了proposal取值为True时的好多内容。
这相当于是手动筛选精度差的层变为了自动筛选精度差的层。何乐而不为呢？