Skip to content

Latest commit

 

History

History
144 lines (91 loc) · 5.31 KB

README.md

File metadata and controls

144 lines (91 loc) · 5.31 KB

Slim功能介绍

复杂的模型有利于提高模型的性能,但也导致模型中存在一定冗余。此部分提供精简模型的功能,包括两部分:模型量化(量化训练、离线量化)、模型剪枝。

其中模型量化将全精度缩减到定点数减少这种冗余,达到减少模型计算复杂度,提高模型推理性能的目的。 模型量化可以在基本不损失模型的精度的情况下,将FP32精度的模型参数转换为Int8精度,减小模型参数大小并加速计算,使用量化后的模型在移动端等部署时更具备速度优势。

模型剪枝将CNN中不重要的卷积核裁剪掉,减少模型参数量,从而降低模型计算复杂度。

本教程将介绍如何使用飞桨模型压缩库PaddleSlim做PaddleClas模型的压缩。 PaddleSlim 集成了模型剪枝、量化(包括量化训练和离线量化)、蒸馏和神经网络搜索等多种业界常用且领先的模型压缩功能,如果您感兴趣,可以关注并了解。

在开始本教程之前,建议先了解PaddleClas模型的训练方法以及PaddleSlim

快速开始

当训练出一个模型后,如果希望进一步的压缩模型大小并加速预测,可使用量化或者剪枝的方法压缩模型。

模型压缩主要包括五个步骤:

  1. 安装 PaddleSlim
  2. 准备训练好的模型
  3. 模型压缩
  4. 导出量化推理模型
  5. 量化模型预测部署

1. 安装PaddleSlim

  • 可以通过pip install的方式进行安装。
pip install paddleslim -i https://pypi.tuna.tsinghua.edu.cn/simple
  • 如果获取PaddleSlim的最新特性,可以从源码安装。
git clone https://github.com/PaddlePaddle/PaddleSlim.git
cd Paddleslim
python3.7 setup.py install

2. 准备训练好的模型

PaddleClas提供了一系列训练好的模型,如果待量化的模型不在列表中,需要按照常规训练方法得到训练好的模型。

3. 模型压缩

进入PaddleClas根目录

cd PaddleClas

slim训练相关代码已经集成到ppcls/engine/下,离线量化代码位于deploy/slim/quant_post_static.py

3.1 模型量化

量化训练包括离线量化训练和在线量化训练,在线量化训练效果更好,需加载预训练模型,在定义好量化策略后即可对模型进行量化。

3.1.1 在线量化训练

训练指令如下:

  • CPU/单卡GPU

以CPU为例,若使用GPU,则将命令中改成cpu改成gpu

python3.7 tools/train.py -c ppcls/configs/slim/ResNet50_vd_quantization.yaml -o Global.device=cpu

其中yaml文件解析详见参考文档。为了保证精度,yaml文件中已经使用pretrained model.

  • 单机多卡/多机多卡启动
export CUDA_VISIBLE_DEVICES=0,1,2,3
python3.7 -m paddle.distributed.launch \
    --gpus="0,1,2,3" \
      tools/train.py \
      -c ppcls/configs/slim/ResNet50_vd_quantization.yaml
3.1.2 离线量化

注意:目前离线量化,必须使用已经训练好的模型,导出的inference model进行量化。一般模型导出inference model可参考教程.

一般来说,离线量化损失模型精度较多。

生成inference model后,离线量化运行方式如下

python3.7 deploy/slim/quant_post_static.py -c ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml -o Global.save_inference_dir=./deploy/models/class_ResNet50_vd_ImageNet_infer

Global.save_inference_dirinference model存放的目录。

执行成功后,在Global.save_inference_dir的目录下,生成quant_post_static_model文件夹,其中存储生成的离线量化模型,其可以直接进行预测部署,无需再重新导出模型。

3.2 模型剪枝

训练指令如下:

  • CPU/单卡GPU

以CPU为例,若使用GPU,则将命令中改成cpu改成gpu

python3.7 tools/train.py -c ppcls/configs/slim/ResNet50_vd_prune.yaml -o Global.device=cpu
  • 单机单卡/单机多卡/多机多卡启动
export CUDA_VISIBLE_DEVICES=0,1,2,3
python3.7 -m paddle.distributed.launch \
    --gpus="0,1,2,3" \
      tools/train.py \
      -c ppcls/configs/slim/ResNet50_vd_prune.yaml

4. 导出模型

在得到在线量化训练、模型剪枝保存的模型后,可以将其导出为inference model,用于预测部署,以模型剪枝为例:

python3.7 tools/export_model.py \
    -c ppcls/configs/slim/ResNet50_vd_prune.yaml \
    -o Global.pretrained_model=./output/ResNet50_vd/best_model \
    -o Global.save_inference_dir=./inference

5. 模型部署

上述步骤导出的模型可以通过PaddleLite的opt模型转换工具完成模型转换。 模型部署的可参考 移动端模型部署

训练超参数建议

  • 量化训练时,建议加载常规训练得到的预训练模型,加速量化训练收敛。
  • 量化训练时,建议初始学习率修改为常规训练的1/20~1/10,同时将训练epoch数修改为常规训练的1/5~1/2,学习率策略方面,加上Warmup,其他配置信息不建议修改。