代码拉取完成,页面将自动刷新
Linux
模型调优
高级
训练后量化是指对预训练后的网络进行权重量化或者全量化,以达到减小模型大小和提升推理性能的目的。 该过程不需要训练,对激活值量化时需要少量校准数据。
对模型的权值进行量化,仅压缩模型大小,推理时仍然执行float32运算。量化比特数越低,模型压缩率越大,但是精度损失通常也比较大。
对模型的权重和激活值统一进行量化,推理时执行int运算。可以减小模型大小、提升模型推理速度和降低功耗。 针对需要提升模型运行速度、降低模型运行功耗的场景,可以使用训练后全量化功能。为了计算激活值的量化参数,用户需要提供校准数据集。
根据模型推理部署的硬件平台选择使用对应的训练后量化工具。
训练后量化工具 | 量化方法支持 | 推理硬件平台支持 | 量化模型部署 |
---|---|---|---|
MindSpore训练后量化工具 | 权重量化 全量化 |
CPU | 端侧推理 |
昇腾模型压缩工具 | 全量化 | Ascend 310 AI处理器 | Ascend 310 AI处理器上推理 |
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。