基础#

NN 量化目标：运行更快、内存需求更低。

量化源于信息压缩；在深度神经网络中，它指的是降低其权重和/或激活的数值精度。
过度参数化的 DNN 有更多的 自由度，这使它们成为信息压缩的良好候选对象 [Gholami, Kim, Dong, Yao, Mahoney, and Keutzer, 2021]。

当量化模型时，通常会发生两件事——模型变得更小，运行效率更高。硬件供应商明确地允许更快地处理 8 位数据（而不是 32 位数据），从而获得更高的 吞吐量 （throughput）。更小的模型具有更低的内存占用和功耗 [Krishnamoorthi, 2018]，这对于边缘部署至关重要。

映射函数#

映射函数：将值从浮点数映射到整数空间的函数。常用的映射函数是由 \(Q(r) = round(r/S + Z)\) 给出的线性变换，其中为 \(r\) 为输入，\(S, Z\) 为量化参数（quantization parameters）。为了重新转换为浮点空间，反函数由 \(\overline{r} = (Q(r) - Z) \cdot S\) 给出（被称为 反量化，即 dequantization）。

备注

\(\overline{r} \neq r\)，它们之间的差异构成了量化误差。

量化参数#

映射函数由缩放因子 \(S\) 和零点 \(Z\) 所参数化。\(S\) 仅仅是输入范围与输出范围的比值 \(S = \frac {\beta - \alpha}{\beta_q - \alpha_q}\)。这里 \([\alpha, \beta]\) 是输入的裁剪（clipping）范围，即允许输入的边界。\([\alpha_q, \beta_q]\) 是它被映射到的量化输出空间的范围。对于 8 位量化，输出范围 \(\beta_q - \alpha_q \leq 2^8 -1\)。\(Z = -(\frac {\alpha}{S} - \alpha_q)\) 作为偏置，以确保输入空间中的 \(0\) 完全映射到量化空间中的 \(0\)。

校准#

选择输入裁剪范围的过程称为校准（calibration）。最简单的方法（也是 PyTorch 中的默认方法）是记录正在运行的最小值和最大值，并将它们赋值给 \(\alpha\) 和 \(\beta\)。TensorRT 也使用熵最小化（KL 散度），均方误差最小化，或输入范围的百分位数。

在 PyTorch 中，Observer 模块收集关于输入值的统计信息并计算 qparams \(S,Z\)。不同的校准方案会产生不同的量化输出，最好通过经验验证哪种方案最适合您的应用程序和体系结构。

import torch
from torch.ao.quantization.observer import MinMaxObserver, MovingAverageMinMaxObserver, HistogramObserver

# 设置输入
C, L = 3, 2
normal = torch.distributions.normal.Normal(0, 1)

inputs = [normal.sample((C, L)),
          normal.sample((C, L))]
inputs

[tensor([[-0.4145,  0.4905],
         [ 1.9405, -1.1051],
         [ 2.1657, -1.1413]]),
 tensor([[-1.2207,  0.1083],
         [-0.7169,  2.2443],
         [-0.3198, -0.2961]])]

设置观测：

observers = [MinMaxObserver(),
             MovingAverageMinMaxObserver(),
             HistogramObserver()]

计算并查看量化参数：

for obs in observers:
    for x in inputs:
        obs(x)
    print(obs.__class__.__name__, obs.calculate_qparams())

MinMaxObserver (tensor([0.0136]), tensor([90], dtype=torch.int32))
MovingAverageMinMaxObserver (tensor([0.0130]), tensor([88], dtype=torch.int32))
HistogramObserver (tensor([0.0124]), tensor([72], dtype=torch.int32))

仿射和对称量化方案#

仿射（affine）或非对称量化（asymmetric quantization）方案分配输入范围的最小和最大观测值。仿射方案通常提供更小的剪切范围，并且对于量化非负激活非常有用（如果你的输入张量永远都不是负的，你就不需要输入范围包含负值）。计算范围为 \(\alpha=\min(r), \beta = \max(r)\)。当用于权值张量 [Wu, Judd, Zhang, Isaev, and Micikevicius, 2020] 时，仿射量化会导致更昂贵的计算推理。

对称量化（Symmetric quantization）方案将输入范围集中在 \(0\) 附近，消除了计算零点偏置的需要。计算范围为 \(-\alpha=\beta=\max(|\max(r)|,|\min(r)|)\)。

对于倾斜的信号（如非负激活），这可能会导致糟糕的量化分辨率（quantization resolution），因为剪辑范围包括从未在输入中出现的值（参见下面的 pyplot）。

from matplotlib import pyplot as plt
import numpy as np


def get_symmetric_range(x):
    '''获取对称范围'''
    beta = torch.max(x.max(), x.min().abs())
    return -beta.item(), beta.item()


def get_affine_range(x):
    '''获取仿射范围'''
    return x.min().item(), x.max().item()


def plot(plt, data, scheme):
    '''画出不同方案的分布'''
    boundaries = get_affine_range(data) if scheme == 'affine' \
        else get_symmetric_range(data)
    a, _, _ = plt.hist(data, density=True, bins=100)
    ymin, ymax = np.quantile(a[a > 0], [0.25, 0.95])
    plt.vlines(x=boundaries, ls='--', colors='purple', ymin=ymin, ymax=ymax)


# 模拟激活和权重
act = torch.distributions.pareto.Pareto(1, 10).sample((1, 1024))
weights = torch.distributions.normal.Normal(
    0, 0.12).sample((3, 64, 7, 7)).flatten()

fig, axs = plt.subplots(2, 2)
plot(axs[0, 0], act, 'affine')
axs[0, 0].set_title("Activation, Affine-Quantized")
plot(axs[0, 1], act, 'symmetric')
axs[0, 1].set_title("Activation, Symmetric-Quantized")
plot(axs[1, 0], weights, 'affine')
axs[1, 0].set_title("Weights, Affine-Quantized")
plot(axs[1, 1], weights, 'symmetric')
axs[1, 1].set_title("Weights, Symmetric-Quantized")
plt.show()

在 PyTorch 中，你可以在初始化 Observer 时指定仿射或对称模式。注意，并非所有 observer 都支持这两种方案。

for qscheme in [torch.per_tensor_affine, torch.per_tensor_symmetric]:
    obs = MovingAverageMinMaxObserver(qscheme=qscheme)
    for x in inputs:
        obs(x)
    print(f"Qscheme: {qscheme} | {obs.calculate_qparams()}")

Qscheme: torch.per_tensor_affine | (tensor([0.0130]), tensor([88], dtype=torch.int32))
Qscheme: torch.per_tensor_symmetric | (tensor([0.0170]), tensor([128]))

逐张量和逐通道量化方案#

量化参数可以作为整体计算层的整个权值张量，也可以单独计算每个通道的权值张量。在每张量中，对层中的所有通道应用相同的剪切范围：

对于权值量化，逐通道（Per-Channel）对称量化提供了更好的精度；逐张量（Per-Tensor）量化的性能很差，这可能是由于不同通道之间的转换权值与批量范数折叠（batchnorm folding） [Wu, Judd, Zhang, Isaev, and Micikevicius, 2020] 差异很大。

from torch.ao.quantization.observer import MovingAveragePerChannelMinMaxObserver
# 计算全部 `C` 通道的 qparams
obs = MovingAveragePerChannelMinMaxObserver(ch_axis=0)
for x in inputs:
    obs(x)
print(obs.calculate_qparams())

(tensor([0.0036, 0.0119, 0.0128]), tensor([119,  92,  88], dtype=torch.int32))

obs = MovingAveragePerChannelMinMaxObserver(ch_axis=1)
for x in inputs:
    obs(x)
print(obs.calculate_qparams())

(tensor([0.0101, 0.0064]), tensor([ 42, 176], dtype=torch.int32))

后端引擎#

目前，量化算子通过 FBGEMM 后端在 x86 机器上运行，或者在 ARM 机器上使用 QNNPACK 原语。服务器 GPU 的后端支持（通过 TensorRT 和 cuDNN）即将推出。了解更多关于将量化扩展到自定义后端：RFC-0019。

from torch.ao.quantization.qconfig import get_default_qconfig
backend = 'fbgemm'  # if x86 else 'qnnpack'
qconfig = get_default_qconfig(backend)
torch.backends.quantized.engine = backend

`QConfig`#

QConfig NamedTuple 存储用于量化激活和权重的 Observer 和量化方案。

一定要传递 Observer 类（而不是实例），或者可以返回 Observer 实例的可调用对象。使用 with_args() 覆盖默认参数。

from torch.ao.quantization.qconfig import QConfig

my_qconfig = QConfig(
    activation=MovingAverageMinMaxObserver.with_args(
        qscheme=torch.per_tensor_affine),
    weight=MovingAveragePerChannelMinMaxObserver.with_args(qscheme=torch.qint8)
)
my_qconfig

QConfig(activation=functools.partial(<class 'torch.ao.quantization.observer.MovingAverageMinMaxObserver'>, qscheme=torch.per_tensor_affine){}, weight=functools.partial(<class 'torch.ao.quantization.observer.MovingAveragePerChannelMinMaxObserver'>, qscheme=torch.qint8){})

在 PyTorch 中#

PyTorch 允许您使用几种不同的方式来量化您的模型：

Eager 模式 v/s FX Graph 模式：如果你更喜欢灵活但手动的，或受限的自动过程
静态 v/s 动态：如果量化激活（层的输出）的 qparams 为所有输入预先计算，或对每个输入重新计算，
量化感知训练（quantization-aware training） v/s 训练后量化（post-training quantization）：如果 qparams 是在有或没有重新训练的情况下计算的

FX Graph Mode 自动融合符合条件的模块，插入 Quant/DeQuant stub，校准模型并返回量化模块——所有这些都是在两个方法调用中进行的——但仅适用于可符号跟踪的网络。

在 DNN 中，量化的合适候选对象是 FP32 权值（层参数）和激活（层输出）。量化权值可以减少模型的大小。量化激活通常会导致更快的推理。

例如，50 层 ResNet 网络有近 2600 万个权值参数，在正向传程中计算近 1600 万个激活。

Post-Training Dynamic/Weight-only Quantization#

这里模型的权值是预量化的；在推理期间，激活是动态量化的。这是所有方法中最简单的一种，它在 quantize_dynamic() 中有一行 API 调用。目前只支持线性和循环（LSTM、GRU、RNN）层进行动态量化。

可以导致更高的精度，因为每个输入的裁剪范围是精确校准的
对于像 LSTM 和 Transformer 这样的模型，动态量化是首选的，因为从内存中写入/检索模型的权值会受制于带宽
在运行时对每个层的激活进行校准和量化会增加计算开销。

import torch
from torch import nn

# 小 model
def create_model():
    m = nn.Sequential(
        nn.Conv2d(2, 64, (8,)),
        nn.ReLU(),
        nn.Linear(16, 10),
        nn.LSTM(10, 10))
    return m

eager 模式

from torch.ao.quantization.quantize import quantize_dynamic

m = create_model()
m.eval()
model_quantized = quantize_dynamic(
    model=m, qconfig_spec={nn.LSTM, nn.Linear}, dtype=torch.qint8, inplace=False
)
model_quantized

Sequential(
  (0): Conv2d(2, 64, kernel_size=(8,), stride=(1, 1))
  (1): ReLU()
  (2): DynamicQuantizedLinear(in_features=16, out_features=10, dtype=torch.qint8, qscheme=torch.per_tensor_affine)
  (3): DynamicQuantizedLSTM(10, 10)
)

FX 模式

from torch.ao.quantization import quantize_fx
from torch.ao.quantization.qconfig import default_dynamic_qconfig

m = create_model()
m.eval()
# 空键表示应用于所有模块的默认值
qconfig_dict = {"": default_dynamic_qconfig}
model_prepared = quantize_fx.prepare_fx(m, qconfig_dict)
model_quantized = quantize_fx.convert_fx(model_prepared)

/home/pc/xinet/anaconda3/envs/torchx/lib/python3.10/site-packages/torch/ao/quantization/fx/quantization_patterns.py:630: UserWarning: dtype combination: (torch.float32, torch.qint8, torch.quint8) is not supported by Conv supported dtype combinations are: [(torch.quint8, torch.qint8, None)]
  warnings.warn(

Post-Training Static Quantization (PTQ)#

PTQ 也预量化模型权重，但不是动态校准激活，而是使用验证数据对剪切范围进行预校准和固定（“静态”）。在推理过程中，激活在运算之间保持量化精度。大约 100 个小批次的代表性数据就足以校准观测者。为了方便起见，下面的例子在校准中使用了随机数据——在应用程序中使用随机数据将导致错误的 qparams。

模块融合将多个顺序模块（如：[Conv2d, BatchNorm, ReLU]）组合成一个。融合模块意味着编译器只需要运行一个内核而不是多个；这可以通过减少量化误差来提高速度和准确性。

静态量化比动态量化具有更快的推理速度，因为它消除了层之间的 float<->int 转换成本。
静态量化模型可能需要定期重新校准，以保持对分布漂移的鲁棒性。

静态量化模型包括以下步骤：

融合模块
插入 Quant/DeQuant 存根
准备融合模块（在层前和层后插入观察者）
校准准备好的模块（传递代表数据）
转换校准模块（替换为量化版本）

from torch.quantization import quantize_fx
import torch
from torch import nn

# 如果在ARM上运行，使用 `qnnpack`。
backend = "fbgemm"  # 运行在 x86 CPU 上。


def create_model():
    m = nn.Sequential(
        nn.Conv2d(2, 64, 3),
        nn.ReLU(),
        nn.Conv2d(64, 128, 3),
        nn.ReLU()
    )
    return m

急切的模式#

融合：就地融合用所述融合模块替换所述序列中的第一个模块，其余用相同模块替换。

m = create_model()
# fuse first Conv-ReLU pair
torch.quantization.fuse_modules(m, ['0', '1'], inplace=True)
# fuse second Conv-ReLU pair
torch.quantization.fuse_modules(m, ['2', '3'], inplace=True)

Sequential(
  (0): ConvReLU2d(
    (0): Conv2d(2, 64, kernel_size=(3, 3), stride=(1, 1))
    (1): ReLU()
  )
  (1): Identity()
  (2): ConvReLU2d(
    (0): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1))
    (1): ReLU()
  )
  (3): Identity()
)

插入 stub：

m = nn.Sequential(torch.quantization.QuantStub(),
                  *m,
                  torch.quantization.DeQuantStub())
m

Sequential(
  (0): QuantStub()
  (1): ConvReLU2d(
    (0): Conv2d(2, 64, kernel_size=(3, 3), stride=(1, 1))
    (1): ReLU()
  )
  (2): Identity()
  (3): ConvReLU2d(
    (0): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1))
    (1): ReLU()
  )
  (4): Identity()
  (5): DeQuantStub()
)

准备：

from torch.ao.quantization.qconfig import get_default_qconfig
from torch.ao.quantization.quantize import prepare

m.qconfig = get_default_qconfig(backend)
prepare(m, inplace=True)

/home/pc/xinet/anaconda3/envs/torchx/lib/python3.10/site-packages/torch/ao/quantization/observer.py:177: UserWarning: Please use quant_min and quant_max to specify the range for observers.                     reduce_range will be deprecated in a future release of PyTorch.
  warnings.warn(

Sequential(
  (0): QuantStub(
    (activation_post_process): HistogramObserver()
  )
  (1): ConvReLU2d(
    (0): Conv2d(2, 64, kernel_size=(3, 3), stride=(1, 1))
    (1): ReLU()
    (activation_post_process): HistogramObserver()
  )
  (2): Identity()
  (3): ConvReLU2d(
    (0): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1))
    (1): ReLU()
    (activation_post_process): HistogramObserver()
  )
  (4): Identity()
  (5): DeQuantStub()
)

校准：为了方便起见，这个例子使用了随机数据。使用代表性（验证）数据代替。

# with torch.inference_mode(): # PyTorch 1.9
with torch.no_grad():
    for _ in range(10):
        x = torch.rand(1, 2, 28, 28)
        m(x)

转换：

torch.quantization.convert(m, inplace=True)

Sequential(
  (0): Quantize(scale=tensor([0.0079]), zero_point=tensor([0]), dtype=torch.quint8)
  (1): QuantizedConvReLU2d(2, 64, kernel_size=(3, 3), stride=(1, 1), scale=0.0100000761449337, zero_point=0)
  (2): Identity()
  (3): QuantizedConvReLU2d(64, 128, kernel_size=(3, 3), stride=(1, 1), scale=0.004895982798188925, zero_point=0)
  (4): Identity()
  (5): DeQuantize()
)

检查：

# 1 字节，而不是 FP32 的 4 字节
print(m[1].weight().element_size())

FX GRAPH 模式#

from torch.ao.quantization.qconfig import get_default_qconfig
from torch.ao.quantization import quantize_fx


def calibrate(model, data_loader):
    '''使用代表性（验证）数据来校准'''
    model.eval()
    # with torch.inference_mode():
    with torch.no_grad():
        for image, _ in data_loader:
            model(image)


def ptq(float_model, sample_inference_data, backend='fbgemm'):
    qconfig = get_default_qconfig(backend)
    qconfig_dict = {"": qconfig}
    float_model.eval()

    prepared_model = quantize_fx.prepare_fx(float_model, qconfig_dict)
    # 运行校准
    calibrate(prepared_model, sample_inference_data)
    return prepared_model

from torch.ao.quantization.qconfig import get_default_qconfig
from torch.ao.quantization import quantize_fx

def data_iter():
    for _ in range(10):
        yield torch.rand(1, 2, 28, 28), _

m = create_model()
model_prepared = ptq(m, data_iter(), backend='fbgemm')
# 量化
model_quantized = quantize_fx.convert_fx(model_prepared)

Quantization-aware Training (QAT)#

PTQ 方法对于大型模型非常好，但在较小的模型中准确性会受到影响。当然，这是由于将 FP32 的模型调整到 INT8 域时的数值精度损失。

QAT 通过在训练损失中包含量化误差来解决这个问题，因此训练一个 INT8-first 模型。

所有的权重和偏置都存储在 FP32 中，反向传播照常发生。然而在正向传递中，量化是通过 FakeQuantize 模块进行内部模拟的。它们之所以被称为假的，是因为它们对数据进行量化和立即反量化，并添加与量化推理过程中可能遇到的类似的量化噪声。因此，最终的损失可以解释任何预期的量化误差。在此基础上进行优化，可以使模型在损失函数中识别出更宽的区域，并识别出 FP32 参数，这样量化到 INT8 不会显著影响精度。

QAT 比 PTQ 具有更高的精度。
Qparams 可以在模型训练期间学习，以获得更细粒度的准确性（参见 LearnableFakeQuantize）。
在 QAT 中，重新训练一个模型的计算成本可以达到几百个 epoch。[Gholami, Kim, Dong, Yao, Mahoney, and Keutzer, 2021]

除了在将模型实际转换为量化版本之前的训练循环之外，QAT 遵循与 PTQ 相同的步骤：

import torch
from torch import nn

# 运行在 x86 CPU 上。如果在 ARM 上运行，使用 "qnnpack"。
backend = "fbgemm"

m = create_model()

融合：

torch.quantization.fuse_modules(m, ['0', '1'], inplace=True)  # 融合第一对 Conv-ReLU
torch.quantization.fuse_modules(m, ['2', '3'], inplace=True)  # 融合第二对 Conv-ReLU

Sequential(
  (0): ConvReLU2d(
    (0): Conv2d(2, 64, kernel_size=(3, 3), stride=(1, 1))
    (1): ReLU()
  )
  (1): Identity()
  (2): ConvReLU2d(
    (0): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1))
    (1): ReLU()
  )
  (3): Identity()
)

插入存根（打桩）：

m = nn.Sequential(torch.quantization.QuantStub(),
                  *m,
                  torch.quantization.DeQuantStub())

准备：

m.train()
m.qconfig = torch.quantization.get_default_qconfig(backend)
torch.quantization.prepare_qat(m, inplace=True)

Sequential(
  (0): QuantStub(
    (activation_post_process): HistogramObserver()
  )
  (1): ConvReLU2d(
    2, 64, kernel_size=(3, 3), stride=(1, 1)
    (weight_fake_quant): PerChannelMinMaxObserver(min_val=tensor([]), max_val=tensor([]))
    (activation_post_process): HistogramObserver()
  )
  (2): Identity()
  (3): ConvReLU2d(
    64, 128, kernel_size=(3, 3), stride=(1, 1)
    (weight_fake_quant): PerChannelMinMaxObserver(min_val=tensor([]), max_val=tensor([]))
    (activation_post_process): HistogramObserver()
  )
  (4): Identity()
  (5): DeQuantStub()
)

循环训练：

n_epochs = 10
opt = torch.optim.SGD(m.parameters(), lr=0.1)
def loss_fn(out, tgt): return torch.pow(tgt-out, 2).mean()


for epoch in range(n_epochs):
    x = torch.rand(10, 2, 24, 24)
    out = m(x)
    loss = loss_fn(out, torch.rand_like(out))
    opt.zero_grad()
    loss.backward()
    opt.step()

转换：

m.eval()
torch.quantization.convert(m, inplace=True)

Sequential(
  (0): Quantize(scale=tensor([0.0080]), zero_point=tensor([0]), dtype=torch.quint8)
  (1): QuantizedConvReLU2d(2, 64, kernel_size=(3, 3), stride=(1, 1), scale=0.0106028001755476, zero_point=0)
  (2): Identity()
  (3): QuantizedConvReLU2d(64, 128, kernel_size=(3, 3), stride=(1, 1), scale=0.004767395555973053, zero_point=0)
  (4): Identity()
  (5): DeQuantize()
)

敏感性分析#

并不是所有层对量化的响应都是一样的，有些层对精度下降比其他层更敏感。确定最优的层组合以最小化精度下降是非常耗时的，因此 [Wu, Judd, Zhang, Isaev, and Micikevicius, 2020] 建议进行一次一次的灵敏度分析，以确定哪些层最敏感，并在这些层上保持 FP32 的精度。在他们的实验中，跳过 2 个 conv 层（在 MobileNet v1 的 28 个 conv 层中）使他们接近 FP32 的精度。使用 FX Graph 模式，可以创建自定义 qconfigs 来轻松做到这一点。

# ONE-AT-A-TIME SENSITIVITY ANALYSIS 

for quantized_layer, _ in model.named_modules():
  print("Only quantizing layer: ", quantized_layer)

  # The module_name key allows module-specific qconfigs. 
  qconfig_dict = {"": None, 
  "module_name":[(quantized_layer, torch.quantization.get_default_qconfig(backend))]}

  model_prepared = quantize_fx.prepare_fx(model, qconfig_dict)
  # calibrate
  model_quantized = quantize_fx.convert_fx(model_prepared)
  # evaluate(model)

另一种方法是比较 FP32 和 INT8 层的统计数据；常用的度量有 SQNR（信号量化噪声比，即 Signal to Quantized Noise Ratio）和均方误差（Mean-Squre-Error）。这种比较分析也有助于指导进一步的优化。

PyTorch 在数值套件下提供了帮助进行此分析的工具。从完整的教程中了解更多关于使用 Numeric Suite 的信息。

# extract from https://pytorch.org/tutorials/prototype/numeric_suite_tutorial.html
import torch.quantization._numeric_suite as ns

def SQNR(x, y):
    # Higher is better
    Ps = torch.norm(x)
    Pn = torch.norm(x-y)
    return 20*torch.log10(Ps/Pn)

wt_compare_dict = ns.compare_weights(fp32_model.state_dict(), int8_model.state_dict())
for key in wt_compare_dict:
    print(key, compute_error(wt_compare_dict[key]['float'], wt_compare_dict[key]['quantized'].dequantize()))

act_compare_dict = ns.compare_model_outputs(fp32_model, int8_model, input_data)
for key in act_compare_dict:
    print(key, compute_error(act_compare_dict[key]['float'][0], act_compare_dict[key]['quantized'][0].dequantize()))

对您工作流程的建议#

要点：

大（10M+ 参数）模型对量化误差更具鲁棒性。
从 FP32 检查点量化模型比从零开始训练 INT8 模型提供了更好的 accuracy。
分析模型运行时是可选的，但它可以帮助识别阻碍推理的层。
动态量化是一个简单的第一步，特别是当您的模型有许多线性或递归层时。
使用逐通道对称量化借由 MinMax 观测者量化权重。使用逐张量仿射量化借由 MovingAverageMinMax 观测者量化激活。
使用诸如 SQNR 之类的度量来确定哪些层最容易受到量化误差的影响。关闭这些层上的量化。
使用 QAT 对原始训练调度的大约 \(10\%\) 进行微调，退火学习率（annealing learning rate）调度从初始训练学习率的 \(1\%\) 开始。
如果上面的工作流程不适合你，我们想知道更多。发布一个包含你的代码细节的帖子（模型架构，准确性指标，尝试过的技术）。请抄送 @suraj.pt。

基础

导航

基础#

映射函数#

量化参数#

校准#

仿射和对称量化方案#

逐张量和逐通道量化方案#

后端引擎#

QConfig#

在 PyTorch 中#

Post-Training Dynamic/Weight-only Quantization#

Post-Training Static Quantization (PTQ)#

急切的模式#

FX GRAPH 模式#

Quantization-aware Training (QAT)#

敏感性分析#

对您工作流程的建议#

`QConfig`#