Question

我正在使用用于个人数据集的MobilenetV2在转移学习中进行量化。我尝试了2种方法：

i。）仅在训练后量化：它工作正常，并且在224,224个维度上生成60幅图像的平均时间为0.04s。

ii。）量化意识训练+训练后量化：与仅训练后量化相比，它产生更高的准确性，但是对于相同的60张图像，其推理时间更高，为0.55s。

1。）仅可以通过以下方式推断出训练后量化模型（.tflite）：

        images_ = cv2.resize(cv2.cvtColor(cv2.imread(imagepath), cv2.COLOR_BGR2RGB), (224, 224))
        images = preprocess_input(images_)
        interpreter.set_tensor(
                    interpreter.get_input_details()[0]['index'], [x])
        interpreter.invoke()
        classes = interpreter.get_tensor(
            interpreter.get_output_details()[0]['index'])

2。）量化意识训练+训练后量化可以通过以下代码推断。区别在于，这里要求输入float32。

        images_ = cv2.resize(cv2.cvtColor(cv2.imread(imagepath), cv2.COLOR_BGR2RGB), (224, 224))
        images = preprocess_input(images_)
        x = np.expand_dims(images, axis=0).astype(np.float32)
        interpreter.set_tensor(
                    interpreter.get_input_details()[0]['index'], x)
        interpreter.invoke()
        classes = interpreter.get_tensor(
            interpreter.get_output_details()[0]['index'])

我进行了很多搜索，但此查询没有任何响应。如果可能的话，请提供帮助。为什么量化意识训练+训练后量化而不是训练后量化使推理时间变长？

Answer 1

我不认为您应该同时进行量化意识训练和训练后量化。

根据https://www.tensorflow.org/model_optimization/guide/quantization/training_example，如果您使用量化感知训练，则转换将为您提供一个具有int8权重的模型。因此，这里没有必要进行训练后量化。

tensorflow 2.2.0中的量化意识训练产生了更长的推理时间

1 个答案: