Bien qu'il puisse être converti en modèle mnn, il peut être déduit
Cependant, le fichier de modèle peut être plus volumineux ou s'exécuter lentement
Surtout sur les appareils périphériques tels que les appareils mobiles, la puissance de calcul et l'espace de stockage sont limités
Le modèle de compression est donc un travail indispensable
mnn est livré avec un outil de quantification, l'installation de l'environnement est très simple, cet article peut être compilé pour utiliser la quantification
Le fichier de modèle mnn utilise le fichier mnn formé et transformé dans l' article précédent
Avant d'utiliser, vous devez créer un nouveau fichier json avec le contenu configuré
preprocessConfig.json
{
"format":"GRAY",
"mean":[
127.5
],
"normal":[
0.00784314
],
"width":28,
"height":28,
"path":"FashionMNIST",
"used_image_num":50,
"feature_quantize_method":"KL",
"weight_quantize_method":"MAX_ABS"
}Ce qui doit être expliqué, c'est que parce que le fichier précédent forme une image à un seul canal, le GRIS écrit au format dans le fichier json peut en fait être sélectionné: "RGB", "BGR", "RGBA", "GREY". Choisissez selon votre propre modèle
Pour plus de détails, vous pouvez consulter le document https://www.yuque.com/mnn/cn/tool_quantize
Les préparatifs sont terminés, il ne reste plus qu'à quantifier
/opt/MNN/build/quantized.out FashionMNIST.mnn quan.mnn preprocessConfig.jsonRésultats quantifiés:
[15:54:55] /opt/MNN/tools/quantization/quantized.cpp:21: >>> modelFile: FashionMNIST.mnn
[15:54:55] /opt/MNN/tools/quantization/quantized.cpp:22: >>> preTreatConfig: preprocessCo nfig.json
[15:54:55] /opt/MNN/tools/quantization/quantized.cpp:23: >>> dstFile: quan.mnn
[15:54:55] /opt/MNN/tools/quantization/quantized.cpp:50: Calibrate the feature and quanti ze model...
[15:54:55] /opt/MNN/tools/quantization/calibration.cpp:121: Use feature quantization meth od: KL
[15:54:55] /opt/MNN/tools/quantization/calibration.cpp:122: Use weight quantization metho d: MAX_ABS
[15:54:55] /opt/MNN/tools/quantization/Helper.cpp:100: used image num: 50
ComputeFeatureRange: 100.00 %
CollectFeatureDistribution: 100.00 %
[15:54:55] /opt/MNN/tools/quantization/quantized.cpp:54: Quantize model done!
389K fichiers deviennent 108K
Vous devez maintenant tester la vitesse de fonctionnement et les résultats de fonctionnement avant la quantification et la non-quantification
import time
import MNN
import numpy as np
if __name__ == '__main__':
x=np.ones([1, 1, 28, 28]).astype(np.float32)
#quan mnn
start=time.time()
interpreter = MNN.Interpreter("quan.mnn")
print("quan mnn load")
mnn_session = interpreter.createSession()
input_tensor = interpreter.getSessionInput(mnn_session)
tmp_input = MNN.Tensor((1, 1, 28, 28),\
MNN.Halide_Type_Float, x[0], MNN.Tensor_DimensionType_Tensorflow)
interpreter.runSession(mnn_session)
output_tensor = interpreter.getSessionOutput(mnn_session,'output')
output_data=np.array(output_tensor.getData())
print('quan mnn result is:',output_data)
print('quan mnn run time is ',time.time()-start)
résultat de l'opération:
quan mnn load
quan mnn result is: [ 0.5922392 -0.40196353 0.32656723 0.13848761 0.01854512 -1.11787963
0.99948055 -0.32638997 0.92734373 -0.93912888]
quan mnn run time is 0.0015997886657714844
Il existe un certain écart entre les résultats de l'opération précédente et la quantification entraînera inévitablement une perte de précision, ce qui nécessite une attention particulière.
Résultats avant de poster ici
Ensuite, utilisez l'outil de test du temps fourni avec mnn pour le tester
/opt/MNN/build/timeProfile.out quan.mnn 10 0résultat de l'opération:
Use extra forward type: 0
Open Model quan.mnn
Sort by node name !
Node Name Op Type Avg(ms) % Flops Rate
11 ConvInt8 0.572700 64.814415 5.521849
13 Pooling 0.015200 1.720236 0.585116
13___FloatToInt8___0 FloatToInt8 0.011900 1.346764 0.146279
14 ConvInt8 0.066800 7.559983 44.174789
16 Pooling 0.010500 1.188321 0.292558
16___FloatToInt8___0 FloatToInt8 0.007600 0.860118 0.073140
17 ConvInt8 0.048200 5.454958 44.174789
19 Pooling 0.008000 0.905387 0.107470
23 BinaryOp 0.007800 0.882753 0.005971
MatMul15 ConvInt8 0.004400 0.497963 3.606106
MatMul19 ConvInt8 0.001000 0.113173 0.062606
Raster12 Raster 0.014000 1.584428 0.026868
Raster16 Raster 0.009200 1.041195 0.005971
Raster18 Raster 0.006700 0.758262 0.005971
Raster22 Raster 0.006900 0.780897 0.000466
Reshape14___tr4MatMul15___FloatToInt8___0 FloatToInt8 0.009000 1.018561 0.026868
Reshape19___tr4MatMul19___FloatToInt8___0 FloatToInt8 0.006600 0.746944 0.005971
___Int8ToFloat___For_130 Int8ToFloat 0.021800 2.467180 0.585116
___Int8ToFloat___For_160 Int8ToFloat 0.007400 0.837483 0.292558
___Int8ToFloat___For_190 Int8ToFloat 0.008200 0.928022 0.146279
___Int8ToFloat___For_MatMul15___tr4Reshape160 Int8ToFloat 0.019600 2.218199 0.005971
___Int8ToFloat___For_MatMul19___tr4Reshape210 Int8ToFloat 0.010800 1.222273 0.000560
input___FloatToInt8___0 FloatToInt8 0.004100 0.464011 0.146279
output BinaryOp 0.005200 0.588502 0.000466
Sort by time cost !
Node Type Avg(ms) % Called times Flops Rate
BinaryOp 0.013000 1.471254 2.000000 0.006437
Pooling 0.033700 3.813944 3.000000 0.985145
Raster 0.036800 4.164783 4.000000 0.039275
FloatToInt8 0.039200 4.436398 5.000000 0.398536
Int8ToFloat 0.067800 7.673157 5.000000 1.030484
ConvInt8 0.693100 78.440491 5.000000 97.540123
total time : 0.883600 ms, total mflops : 2.044533
main, 113, cost time: 13.603001 ms
Test de temps non quantifié
/opt/MNN/build/timeProfile.out FashionMNIST.mnn 10 0résultat de l'opération:
Use extra forward type: 0
Open Model FashionMNIST.mnn
Sort by node name !
Node Name Op Type Avg(ms) % Flops Rate
11 Convolution 0.485900 54.638489 5.601901
13 Pooling 0.017400 1.956595 0.593599
14 Convolution 0.089500 10.064097 44.815208
16 Pooling 0.012000 1.349376 0.296799
17 Convolution 0.048400 5.442484 44.815208
19 Pooling 0.153200 17.227037 0.109028
23 BinaryOp 0.006300 0.708422 0.006057
MatMul15 Convolution 0.025700 2.889914 3.658385
MatMul19 Convolution 0.009000 1.012032 0.063514
Raster10 Raster 0.006400 0.719667 0.006057
Raster12 Raster 0.005400 0.607219 0.000473
Raster6 Raster 0.014200 1.596762 0.027257
Raster8 Raster 0.009700 1.090746 0.006057
output BinaryOp 0.006200 0.697178 0.000473
Sort by time cost !
Node Type Avg(ms) % Called times Flops Rate
BinaryOp 0.012500 1.405600 2.000000 0.006530
Raster 0.035700 4.014394 4.000000 0.039845
Pooling 0.182600 20.533010 3.000000 0.999427
Convolution 0.658500 74.047020 5.000000 98.954201
total time : 0.889300 ms, total mflops : 2.015316
main, 113, cost time: 12.360001 ms