TensorFlow版本2和BatchNorm折叠中的量化感知训练

Question

我想知道在Tensorflow 2中量化感知训练期间模拟BatchNorm折叠的可用选项是什么。Tensorflow 1具有tf.contrib.quantize.create_training_graph函数，该函数将FakeQuantization层插入到图形中，并负责模拟批量归一化折叠(根据此white paper)。

Tensorflow 2有一个关于如何在他们最近采用的tf.keras应用编程接口中使用量化的tutorial，但他们没有提到任何关于批处理标准化的内容。我用BatchNorm层尝试了下面这个简单的例子：

import tensorflow_model_optimization as tfmo

model = tf.keras.Sequential([
      l.Conv2D(32, 5, padding='same', activation='relu', input_shape=input_shape),
      l.MaxPooling2D((2, 2), (2, 2), padding='same'),
      l.Conv2D(64, 5, padding='same', activation='relu'),
      l.BatchNormalization(),    # BN!
      l.MaxPooling2D((2, 2), (2, 2), padding='same'),
      l.Flatten(),
      l.Dense(1024, activation='relu'),
      l.Dropout(0.4),
      l.Dense(num_classes),
      l.Softmax(),
])
model = tfmo.quantization.keras.quantize_model(model)

但是，它给出了以下例外：

RuntimeError: Layer batch_normalization:<class 'tensorflow.python.keras.layers.normalization.BatchNormalization'> is not supported. You can quantize this layer by passing a `tfmot.quantization.keras.QuantizeConfig` instance to the `quantize_annotate_layer` API.

这表明TF不知道如何处理它。

我还看到了this related topic，他们在keras构建的模型上应用了tf.contrib.quantize.create_training_graph。然而，它们不使用BatchNorm层，所以我不确定这是否会起作用。

那么在TF2中使用BatchNorm折叠功能有哪些选择呢？这可以从keras API完成吗，或者我应该切换回TensorFlow 1API并以旧的方式定义图形吗？

Answer 1

如果在激活之前添加BatchNormalization，则不会出现量化问题。注意:只有当BatchNormalization层恰好在Conv2D层之后时，才支持量化。https://www.tensorflow.org/model_optimization/guide/quantization/training

# Change
l.Conv2D(64, 5, padding='same', activation='relu'),
l.BatchNormalization(),    # BN!
# with this
l.Conv2D(64, 5, padding='same'),
l.BatchNormalization(),
l.Activation('relu'),

#Other way of declaring the same
o = (Conv2D(512, (3, 3), padding='valid' , data_format=IMAGE_ORDERING))(o)
o = (BatchNormalization())(o)
o = Activation('relu')(o)

Answer 2

您应该按照指令中的说明应用量化注释。我想你现在可以像这样调用BatchNorm：

class DefaultBNQuantizeConfig(tfmot.quantization.keras.QuantizeConfig):

def get_weights_and_quantizers(self, layer):
    return []

def get_activations_and_quantizers(self, layer):
    return []

def set_quantize_weights(self, layer, quantize_weights):
    pass
def set_quantize_activations(self, layer, quantize_activations):
    pass
def get_output_quantizers(self, layer):
    return [tfmot.quantization.keras.quantizers.MovingAverageQuantizer(
    num_bits=8, per_axis=False, symmetric=False, narrow_range=False)]

def get_config(self):
    return {}

如果您仍然希望对图层进行量化，请将get_weights_and_quantizers的返回值更改为return [(layer.weights[i], LastValueQuantizer(num_bits=8, symmetric=True, narrow_range=False, per_axis=False)) for i in range(2)]。然后把量化器调回伽马，贝塔...根据上面在set_quantize_weights的返回列表的索引。然而，我不鼓励这种方式，因为它肯定会损害准确性，因为BN应该作为激活量化

您得到的结果将如下所示(RESNET50)：

​