ref: d720955d617768aea7271076f3993e6263e8b84f
parent: 60ac1c6c99153a8ee5ba3e6f9f8fdd1bd3f54dc6
author: Jean-Marc Valin <jmvalin@amazon.com>
date: Thu Oct 19 12:06:52 EDT 2023
Marking RDOVAE layers to quantize
--- a/dnn/torch/rdovae/export_rdovae_weights.py
+++ b/dnn/torch/rdovae/export_rdovae_weights.py
@@ -116,9 +116,9 @@
# encoder
encoder_dense_layers = [
('core_encoder.module.dense_1' , 'enc_dense1', 'TANH', False,),- ('core_encoder.module.z_dense' , 'enc_zdense', 'LINEAR', False,),- ('core_encoder.module.state_dense_1' , 'gdense1' , 'TANH', False,),- ('core_encoder.module.state_dense_2' , 'gdense2' , 'TANH', False)+ ('core_encoder.module.z_dense' , 'enc_zdense', 'LINEAR', True,),+ ('core_encoder.module.state_dense_1' , 'gdense1' , 'TANH', True,),+ ('core_encoder.module.state_dense_2' , 'gdense2' , 'TANH', True)]
for name, export_name, _, _ in encoder_dense_layers:
@@ -127,11 +127,11 @@
encoder_gru_layers = [
- ('core_encoder.module.gru1' , 'enc_gru1', 'TANH', False),- ('core_encoder.module.gru2' , 'enc_gru2', 'TANH', False),- ('core_encoder.module.gru3' , 'enc_gru3', 'TANH', False),- ('core_encoder.module.gru4' , 'enc_gru4', 'TANH', False),- ('core_encoder.module.gru5' , 'enc_gru5', 'TANH', False),+ ('core_encoder.module.gru1' , 'enc_gru1', 'TANH', True),+ ('core_encoder.module.gru2' , 'enc_gru2', 'TANH', True),+ ('core_encoder.module.gru3' , 'enc_gru3', 'TANH', True),+ ('core_encoder.module.gru4' , 'enc_gru4', 'TANH', True),+ ('core_encoder.module.gru5' , 'enc_gru5', 'TANH', True),]
enc_max_rnn_units = max([dump_torch_weights(enc_writer, model.get_submodule(name), export_name, verbose=True, input_sparse=True, quantize=True)
@@ -139,11 +139,11 @@
encoder_conv_layers = [
- ('core_encoder.module.conv1.conv' , 'enc_conv1', 'TANH', False),- ('core_encoder.module.conv2.conv' , 'enc_conv2', 'TANH', False),- ('core_encoder.module.conv3.conv' , 'enc_conv3', 'TANH', False),- ('core_encoder.module.conv4.conv' , 'enc_conv4', 'TANH', False),- ('core_encoder.module.conv5.conv' , 'enc_conv5', 'TANH', False),+ ('core_encoder.module.conv1.conv' , 'enc_conv1', 'TANH', True),+ ('core_encoder.module.conv2.conv' , 'enc_conv2', 'TANH', True),+ ('core_encoder.module.conv3.conv' , 'enc_conv3', 'TANH', True),+ ('core_encoder.module.conv4.conv' , 'enc_conv4', 'TANH', True),+ ('core_encoder.module.conv5.conv' , 'enc_conv5', 'TANH', True),]
enc_max_conv_inputs = max([dump_torch_weights(enc_writer, model.get_submodule(name), export_name, verbose=True, quantize=False) for name, export_name, _, _ in encoder_conv_layers])
@@ -154,9 +154,9 @@
# decoder
decoder_dense_layers = [
('core_decoder.module.dense_1' , 'dec_dense1', 'TANH', False),- ('core_decoder.module.output' , 'dec_output', 'LINEAR', False),+ ('core_decoder.module.output' , 'dec_output', 'LINEAR', True), ('core_decoder.module.hidden_init' , 'dec_hidden_init', 'TANH', False),- ('core_decoder.module.gru_init' , 'dec_gru_init', 'TANH', False),+ ('core_decoder.module.gru_init' , 'dec_gru_init', 'TANH', True),]
for name, export_name, _, _ in decoder_dense_layers:
@@ -165,11 +165,11 @@
decoder_gru_layers = [
- ('core_decoder.module.gru1' , 'dec_gru1', 'TANH', False),- ('core_decoder.module.gru2' , 'dec_gru2', 'TANH', False),- ('core_decoder.module.gru3' , 'dec_gru3', 'TANH', False),- ('core_decoder.module.gru4' , 'dec_gru4', 'TANH', False),- ('core_decoder.module.gru5' , 'dec_gru5', 'TANH', False),+ ('core_decoder.module.gru1' , 'dec_gru1', 'TANH', True),+ ('core_decoder.module.gru2' , 'dec_gru2', 'TANH', True),+ ('core_decoder.module.gru3' , 'dec_gru3', 'TANH', True),+ ('core_decoder.module.gru4' , 'dec_gru4', 'TANH', True),+ ('core_decoder.module.gru5' , 'dec_gru5', 'TANH', True),]
dec_max_rnn_units = max([dump_torch_weights(dec_writer, model.get_submodule(name), export_name, verbose=True, input_sparse=True, quantize=True)
@@ -176,11 +176,11 @@
for name, export_name, _, _ in decoder_gru_layers])
decoder_conv_layers = [
- ('core_decoder.module.conv1.conv' , 'dec_conv1', 'TANH', False),- ('core_decoder.module.conv2.conv' , 'dec_conv2', 'TANH', False),- ('core_decoder.module.conv3.conv' , 'dec_conv3', 'TANH', False),- ('core_decoder.module.conv4.conv' , 'dec_conv4', 'TANH', False),- ('core_decoder.module.conv5.conv' , 'dec_conv5', 'TANH', False),+ ('core_decoder.module.conv1.conv' , 'dec_conv1', 'TANH', True),+ ('core_decoder.module.conv2.conv' , 'dec_conv2', 'TANH', True),+ ('core_decoder.module.conv3.conv' , 'dec_conv3', 'TANH', True),+ ('core_decoder.module.conv4.conv' , 'dec_conv4', 'TANH', True),+ ('core_decoder.module.conv5.conv' , 'dec_conv5', 'TANH', True),]
dec_max_conv_inputs = max([dump_torch_weights(dec_writer, model.get_submodule(name), export_name, verbose=True, quantize=False) for name, export_name, _, _ in decoder_conv_layers])
--
⑨