5.9 KiB

Raw Blame History

Linux GPU/CPU KL离线量化推理测试

Linux GPU/CPU KL离线量化推理测试的主程序为test_ptq_inference_python.sh，可以测试基于Python的模型KL离线量化推理等基本功能。

1. 测试结论汇总

KL离线量化：

算法名称	模型名称	CPU
MobileNetV3	MobileNetV3_large_x1_0	KL离线量化
PP-ShiTu	GeneralRecognition_PPLCNet_x2_5	KL离线量化
PPHGNet	PPHGNet_small	KL离线量化
PPHGNet	PPHGNet_tiny	KL离线量化
PPLCNet	PPLCNet_x0_25	KL离线量化
PPLCNet	PPLCNet_x0_35	KL离线量化
PPLCNet	PPLCNet_x0_5	KL离线量化
PPLCNet	PPLCNet_x0_75	KL离线量化
PPLCNet	PPLCNet_x1_0	KL离线量化
PPLCNet	PPLCNet_x1_5	KL离线量化
PPLCNet	PPLCNet_x2_0	KL离线量化
PPLCNet	PPLCNet_x2_5	KL离线量化
PPLCNetV2	PPLCNetV2_base	KL离线量化
ResNet	ResNet50	KL离线量化
ResNet	ResNet50_vd	KL离线量化
SwinTransformer	SwinTransformer_tiny_patch4_window7_224	KL离线量化

推理相关：

算法名称	模型名称	CPU
MobileNetV3	MobileNetV3_large_x1_0	KL离线量化
PP-ShiTu	GeneralRecognition_PPLCNet_x2_5	KL离线量化
PPHGNet	PPHGNet_small	KL离线量化
PPHGNet	PPHGNet_tiny	KL离线量化
PPLCNet	PPLCNet_x0_25	KL离线量化
PPLCNet	PPLCNet_x0_35	KL离线量化
PPLCNet	PPLCNet_x0_5	KL离线量化
PPLCNet	PPLCNet_x0_75	KL离线量化
PPLCNet	PPLCNet_x1_0	KL离线量化
PPLCNet	PPLCNet_x1_5	KL离线量化
PPLCNet	PPLCNet_x2_0	KL离线量化
PPLCNet	PPLCNet_x2_5	KL离线量化
PPLCNetV2	PPLCNetV2_base	KL离线量化
ResNet	ResNet50	KL离线量化
ResNet	ResNet50_vd	KL离线量化
SwinTransformer	SwinTransformer_tiny_patch4_window7_224	KL离线量化

2. 测试流程

一下测试流程以 MobileNetV3_large_x1_0 模型为例。

2.1 准备环境

安装PaddlePaddle：如果您已经安装了2.2或者以上版本的paddlepaddle，那么无需运行下面的命令安装paddlepaddle。

# 需要安装2.2及以上版本的Paddle
# 安装GPU版本的Paddle
python3.7 -m pip install paddlepaddle-gpu==2.2.0
# 安装CPU版本的Paddle
python3.7 -m pip install paddlepaddle==2.2.0

安装PaddleSlim

python3.7 -m pip install paddleslim==2.2.0

安装依赖

python3.7 -m pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装AutoLog（规范化日志输出工具）

python3.7 -m pip install https://paddleocr.bj.bcebos.com/libs/auto_log-1.2.0-py3-none-any.whl

2.2 准备数据和模型

bash test_tipc/prepare.sh test_tipc/config/MobileNetV3/MobileNetV3_large_x1_0_train_ptq_infer_python.txt whole_infer

离线量化的操作流程，可参考文档。

2.3 功能测试

以MobileNetV3_large_x1_0的Linux GPU/CPU KL离线量化训练推理测试为例，命令如下所示。

bash test_tipc/test_ptq_inference_python.sh test_tipc/config/MobileNetV3/MobileNetV3_large_x1_0_train_ptq_infer_python.txt whole_infer

输出结果如下，表示命令运行成功。

Run successfully with command - MobileNetV3_large_x1_0 - python3.7 deploy/slim/quant_post_static.py -c ppcls/configs/ImageNet/MobileNetV3/MobileNetV3_large_x1_0.yaml -o Global.save_inference_dir=./MobileNetV3_large_x1_0_infer!
Run successfully with command - MobileNetV3_large_x1_0 - python3.7 python/predict_cls.py -c configs/inference_cls.yaml -o Global.use_gpu=True -o Global.use_tensorrt=False -o Global.use_fp16=False -o Global.inference_model_dir=.././MobileNetV3_large_x1_0_infer//quant_post_static_model -o Global.batch_size=1 -o Global.infer_imgs=../deploy/images/ImageNet/ILSVRC2012_val_00000010.jpeg -o Global.benchmark=False > .././test_tipc/output/MobileNetV3_large_x1_0/whole_infer/infer_gpu_usetrt_False_precision_False_batchsize_1.log 2>&1 !
Run successfully with command - MobileNetV3_large_x1_0 - python3.7 python/predict_cls.py -c configs/inference_cls.yaml -o Global.use_gpu=False -o Global.enable_mkldnn=False -o Global.cpu_num_threads=1 -o Global.inference_model_dir=.././MobileNetV3_large_x1_0_infer//quant_post_static_model -o Global.batch_size=1 -o Global.infer_imgs=../deploy/images/ImageNet/ILSVRC2012_val_00000010.jpeg -o Global.benchmark=False   > .././test_tipc/output/MobileNetV3_large_x1_0/whole_infer/infer_cpu_usemkldnn_False_threads_1_batchsize_1.log 2>&1 !

同时，测试过程中的日志保存在PaddleClas/test_tipc/output/MobileNetV3_large_x1_0/whole_infer下。

如果运行失败，也会在终端中输出运行失败的日志信息以及对应的运行命令。可以基于该命令，分析运行失败的原因。

5.9 KiB Raw Blame History Unescape Escape