1. 背景
首先感谢地平线工具链用户手册和官方提供的示例，给了我很大的帮助，特别是代码注释写了很多的知识点，超赞！要是注释能再详细点，就是超超赞了！下面开始正文。
最近想着学 QAT(量化感知训练)玩玩，大体看了一下地平线的用户手册，不说精度调优之类比较复杂的，光一个 QAT 上手，就感觉对我这种小白不是很友好，捣鼓了好久，感觉在用户手册中很多基础概念都没写，不同模块之间的关联性也没有详细地介绍，后来发现在用户手册 量化感知训练(QAT) 简介章节 ，有这么一句话：
懂了，没用过 Pytorch 的 QAT，直接看手册学起来有点费劲才是正常滴！
那针对只使用过 Pytorch 在服务器上训练过一些分类、检测模型，没接触过 QAT 的小白，又不想读 PyTorch 官方文档，只想简单入个门，怎么办嘞？欢迎看看这篇文章，提供实操代码和运行步骤，如果文章对你有点作用的话，麻烦收藏+点个赞再走~
该文章参考自 征程6 OE3.0.17中对应的示例以及用户手册
深度学习量化通常是指以int类型的数据代替浮点float类型的数据进行计算和存储，从而减小模型大小，降低带宽需求，理论上，INT8 量化，与常规的 FP32 模型相比，模型大小减少 4 倍，内存带宽需求减少 4 倍。 量化可以分为 PTQ 与 QAT，
PTQ：Post-training Quantization，训练后量化，指浮点模型训练完成后，基于一些校准数据，直接通过工具自动进行模型量化的过程，相比 QAT，PTQ 更简单一些，这篇文章不介绍 PTQ。
QAT：Quantization aware training，量化感知训练，指浮点模型训练完成后，在模型中插入伪量化节点再进行量化训练的过程，大体过程如下图所示，相比 PTQ，QAT 精度更有保障一些，这篇文章介绍 QAT。
小白：图中伪量化节点 FakeQuantize node 是什么？有什么作用？
大黑：从命名看，就是假装量化呗，模拟将数据从 float 类型量化为 int 类型，主要作用于网络的权重和激活(节点输出，不是 relu 这种激活函数的意思)。在 QAT 中，通过使用伪量化节点，可以在训练期间优化模型以适应后续的真实量化操作，从而提高量化模型的准确性和性能。一旦模型训练完成后，伪量化节点将被替换为真实的量化操作，以生成最终的量化模型。
小白：插入伪量化节点后需要 Retraining/Funetuning？感觉很浪费资源的样子…
大黑：通常再多训 1/10 浮点阶段训练的轮数就好了，比如浮点阶段训练了 100epoch，QAT 训个 10epoch 就好，为了精度，浪费就浪费点，小问题！
小白：从上面这个图看，感觉 QAT 还挺简单的，其实目前我就只会用 pytorch 搭一个卷积网络，然后去训练，那我要经历哪些阶段才能得到最终上板部署的模型呢？
大黑：整个过程会涉及到以下几个模型：
在每个阶段，还有一些需要注意的地方，比如…
小白：停停停，先别急，这里面新名词有点多，先帮我捋捋。float_model 和我直接用 pytorch 搭建的有什么不同吗？calib 是什么？qat_model/qat.bc/quantized.bc 这三者还不是一个意思？板端部署 hbm 模型我知道，就是可以在板子上推理的模型对吧？
大黑：这一连串问题问的挺好，我下面逐个简单解释一下。
float_model 和我直接用 pytorch 搭建的有什么不同吗？ 这里 float_model 浮点模型，其实就是在 pytorch 搭建的常规网络输入位置插入 QuantStub 节点、输出位置插入 DeQuantstub 节点，用于区分量化和不量化的边界。 在 PyTorch 中，QuantStub/DequantStub 是一种用于量化的辅助工具，用于标记量化过程中需要量化/反量化的层或操作，前期浮点训练时可以当它不存在，在定点量化时会自动被替换为对应的量化操作。从普遍而又常规意义上说，想让模型某部分量化，每个输入分支都要插入 QuantStub，每个输出分支都要拆入 DeQuantStub，别再追问为什么了，问就是甲鱼的臀部——“规定”。
calib 是什么？ calib 是校准 calibration 的缩写，主要作用是确定量化参数，我们知道，合理的初始量化参数能够显著提升模型精度并加快模型的收敛速度。calibration 就是在浮点模型中插入 Observer，使用少量训练数据，在模型 forward 过程中统计各处的数据分布，以确定合理的量化参数的过程。虽然可以不做 Calibration 直接进行 qat 量化训练，但一般来说，校准对量化训练有益无害，所以推荐大家将此步骤作为必选项。
qat_model/qat.bc/quantized.bc 这三者还不是一个意思？ 确实不是一个意思。 qat_model：一种插入了伪量化节点的伪量化模型，还是 torch 模型，简单理解为：qat_model 是为了量化训练而存在的模型，里面还“流淌”着浮点的参数，通过伪量化节点在模拟量化而已。 qat.bc：相比于 qat_model，多了一步查表算子定点化的操作，精度与 qat_model 可能会存在微小的差异。 quantized.bc：模型中浮点算子转换成定点算子，浮点参数全部转换为定点参数，这种转换后的模型称之为 quantized_model /定点模型 / 量化模型。
板端部署 hbm 模型我知道，就是可以在板子上推理的模型对吧？ 非常对。
小白：这些模型是如何生成的？通过图中那几个函数？是地平线封装好的，直接用？
大黑：是的。
参考 OE/samples/ai_toolchain/horizon_model_train_sample/plugin_basic 下的示例，主要使用 fx_mode.py 脚本。注意：这儿的 fx_mode 不是传统意义上 pytorch 中量化方式，而是地平线自己开发的 jit-strip 方式，它具有使用简单、debug 方便等优点，对我们基础用户而言，别学太多，all in 就行，反正不会的可以找地平线技术支持。
文件目录
(plugin) [xxx plugin_basic]$ tree -L 3
.
├── common.py # 功能代码
├── fx_mode.py # 运行脚本
├── data
│ └── cifar-10-batches-py # cifar10数据集
└── model
└── mobilenetv2
└── mobilenet_v2-b0353104.pth # 预训练权重
代码运行，建议在地平线提供的 docker 里运行，当然，如果大家自己会配置本地环境的话，也可以不用 docker。
运行过程
# 通过如下命令，查看一些介绍
python3 fx_mode.py --help
# 生成float-checkpoint.ckpt
python3 fx_mode.py --stage=float
# 生成calib-checkpoint.ckpt
python3 fx_mode.py --stage=calib
# 生成qat-checkpoint.ckpt
python3 fx_mode.py --stage=qat
# 使用定点quantized model evaluate一次
python3 fx_mode.py --stage=int_infer
# 编译生成model.hbm，并对script_model进行可视化
python3 fx_mode.py --stage=compile
运行完全程，所有产出物文件如下图： 
跑起来很简单，下面再和大家一起看看代码层面的情况。
该章节参考地平线用户手册以及自己的理解进行介绍，主要是添加了一些中文注释。
之所以写这一节，主要是希望大家可以从注释中，简单了解各个函数的作用，像 torch、os 等对于我而言，特别基础的导入省略没写，全部的依赖可以看提供的代码。其中，horizon_plugin_pytorch 是地平线基于 PyTorch 开发的 的量化训练工具，可以理解成 numpy 这种库，里面有很多用于量化训练的的依赖，我们直接用就好了。
common.py
# 定义程序需要接收哪些命令行参数，以及这些参数的类型、默认值等信息。
import argparse
# 使用netron可视化qat.bc或quantized.bc
from hbdk4.compiler import visualize
# 从url中下载预训练权重
from torchvision._internally_replaced_utils import load_state_dict_from_url
# 用CIFAR10数据集，简单快速
from torchvision.datasets import CIFAR10
# 模型预训练权重，用于load_state_dict_from_url
from torchvision.models.mobilenetv2 import MobileNet_V2_Weights
# 硬件芯片架构，J6-e：nash-e；J6-m：nash-m
from horizon_plugin_pytorch import get_march
# 用于设置伪量化状态，有FakeQuantState.QAT用于qat model train，FakeQuantState.VALIDATION用于qat/calib model eval，FakeQuantState.CALIBRATION用于 calib
from horizon_plugin_pytorch.quantization import FakeQuantState
# plugin下的hbdk4，用于export qat.bc和推理bc模型
from horizon_plugin_pytorch.quantization import hbdk4 as hb4
# 用于设置qat/calib model 伪量化状态，内参包括FakeQuantState
from horizon_plugin_pytorch.quantization import set_fake_quantize
fx_mode.py
from common import *
# convert：将export之后的qat.bc 转成 quantized.bc
# save：保存qat.bc 或 quantized.bc
from hbdk4.compiler import convert, save
# torch中的一个类，主要用于将量化操作的结果转换回浮点数，也就是对输出数据转换回浮点数
from torch.quantization import DeQuantStub
# 导入MobileNetV2类，用来当父类，目的是构建float_model。
from torchvision.models.mobilenetv2 import MobileNetV2
# 硬件芯片架构，J6-e：nash-e；J6-m：nash-m
from horizon_plugin_pytorch.march import March, set_march
# 类似于torch中的类QuantStub，用于将输入数据量化，使用plugin中的QuantStub是因为它支持通过参数手动固定 scale
from horizon_plugin_pytorch.quantization import QuantStub, prepare
# calib与qat阶段的量化配置
from horizon_plugin_pytorch.quantization.qconfig_template import (
default_calibration_qconfig_setter,
default_qat_qconfig_setter, # calib精度差时，qat使用这个
default_qat_fixed_act_qconfig_setter, # calib精度好时，qat使用这个
)
看了第2节理论知识部分，主函数部分的代码就是严格执行那几个阶段 stage(详见第2节)，很 easy，关于内部细节，在后面几个小节挨个介绍。
def main(
model: nn.Module,
stage: str,
data_path: str,
model_path: str,
train_batch_size: int,
eval_batch_size: int,
epoch_num: int,
device_id: int = 0,
compile_opt: int = 0,
):
# 对应操作几个阶段的模型
assert stage in ("float", "calib", "qat", "int_infer", "compile", "visualize",)
device = torch.device(
"cuda:{}".format(device_id) if device_id >= 0 else "cpu"
)
if not os.path.exists(model_path):
os.makedirs(model_path, exist_ok=True)
# 浮点训练阶段优化器
def float_optim_config(model: nn.Module):
# This is an example to illustrate the usage of QAT training tool, so
# we do not fine tune the training hyper params to get optimized
# float model accuracy.
optimizer = torch.optim.Adam(model.parameters(), weight_decay=2e-4)
return optimizer, None
# qat训练阶段优化器
def qat_optim_config(model: nn.Module):
# QAT training is targeted at fine tuning model params to match the
# numerical quantization, so the learning rate should not be too large.
optimizer = torch.optim.SGD(
model.parameters(), lr=0.0001, weight_decay=2e-4
)
return optimizer, None
default_epoch_num = {
"float": 20,
"qat": 2, # 通常float训练epoch数量是qat训练epoch数量的10倍
}
if stage in ("float", "qat"):
if epoch_num is None:
epoch_num = default_epoch_num[stage]
train(
model,
data_path,
model_path,
train_batch_size,
eval_batch_size,
epoch_num,
device,
float_optim_config if stage == "float" else qat_optim_config,
stage,
)
elif stage == "calib":
calibrate(
model,
data_path,
model_path,
train_batch_size,
eval_batch_size,
device,
)
elif stage == "int_infer":
int_infer(
model,
data_path,
eval_batch_size,
device,
)
elif stage == "compile":
compile(
model,
model_path,
compile_opt,
)
else:
visualize(model)
if __name__ == "__main__":
# 一些基础参数，详见main、get_model_fx中的操作
args = get_args()
device = torch.device(
"cuda:{}".format(args.device_id) if args.device_id >= 0 else "cpu"
)
model = get_model_fx(args.stage, args.model_path, device)
main(
model,
args.stage,
args.data_path,
args.model_path,
args.train_batch_size,
args.eval_batch_size,
args.epoch_num,
args.device_id,
compile_opt=args.opt,
)
Example input
##############################################################################
# Example input for model tracing and hbir exporting.
##############################################################################
example_input = torch.rand(1, 3, 32, 32)
在代码运行时，有个输入参数 stage 必须配置，表示拿到哪个 model 去整后面的事，当 stage 参数传入(“float”, “calib”, “qat”, “int_infer”)中某一个时，会通过如下函数去获取，具体实现过程解读可见代码注释。
# --------------------------------------------------------------------------#
# We define the model convert pipeline to generate model for each stage.
# --------------------------------------------------------------------------#
def get_model_fx(
stage: str,
model_path: str,
device: torch.device,
march=March.NASH_E,
) -> nn.Module:
model_kwargs = dict(num_classes=10, width_mult=1.0)
float_model = FxQATReadyMobileNetV2(**model_kwargs).to(device)
if stage == "float":
# We also could use the origin MobileNetV2 model for float training,
# because modified QAT ready model can load its params seamlessly.
float_model = MobileNetV2(**model_kwargs).to(
device
) # these lines are optional
# Load pretrained model (on ImageNet) to speed up float training.
load_pretrain(float_model, model_path)
return float_model # float的时候，到这儿就退出了
# 浮点训练完成后的权重
float_ckpt_path = os.path.join(model_path, "float-checkpoint.ckpt")
assert os.path.exists(float_ckpt_path)
float_state_dict = torch.load(float_ckpt_path, map_location=device)
# A global march indicating the target hardware version must be setted
# before prepare qat.
set_march(march)
float_model.load_state_dict(float_state_dict)
# We recommand to use the default_xxx_qconfig_setter, it will
# enable high precision output if possible. 尾部conv自动配置高精度int32输出
if stage == "calib":
qconfig_setter = default_calibration_qconfig_setter
else:
qconfig_setter = default_qat_qconfig_setter
# The op fusion is included in `prepare`. 不需要用户自己实现算子融合
qat_calib_model = prepare(
# Catch computation graph of eval mode.
float_model.eval(),
# Must give example input to apply model tracing and do model check.
example_input.to(device),
qconfig_setter, # 重中之重，具体介绍后续看时间
)
# calib stage时，函数到这儿就会返回了
if stage == "calib":
return calib_model
calib_ckpt_path = os.path.join(model_path, "calib-checkpoint.ckpt")
assert os.path.exists(calib_ckpt_path)
calib_state_dict = torch.load(calib_ckpt_path, map_location=device)
if stage == "qat":
if os.path.exists(calib_ckpt_path):
calib_state_dict = torch.load(calib_ckpt_path, map_location=device)
float_state_dict = None # 没太理解为什么这儿要把float_state_dict置为None
else:
calib_state_dict = None
if calib_state_dict is not None:
# qat_model加载的是calib_state_dict！！！
qat_calib_model.load_state_dict(calib_state_dict)
return qat_calib_model # qat阶段到这儿就退出了
# int_infer and compile
qat_ckpt_path = os.path.join(model_path, "qat-checkpoint.ckpt")
# qat_ckpt_path 或 calib_ckpt_path 有一个就行
if os.path.exists(qat_ckpt_path):
qat_calib_model.load_state_dict(
torch.load(qat_ckpt_path, map_location=device)
)
elif os.path.exists(calib_ckpt_path):
qat_calib_model.load_state_dict(
torch.load(calib_ckpt_path, map_location=device)
)
else:
raise FileNotFoundError(
"Do not find saved calib_model or qat_model ckpt "
"to do int inference."
)
qat_ckpt_path = os.path.join(model_path, "qat-checkpoint.ckpt")
assert os.path.exists(qat_ckpt_path)
qat_model.load_state_dict(torch.load(qat_ckpt_path, map_location=device))
# 将 calib/qat_model 模型export导出成伪量化bc、convert转换为定点状态
# If model has multi inputs, pass them as a tuple.
qat_hbir_model = hb4.export(qat_calib_model, example_input.to(device))
quantized_hbir_model = convert(qat_hbir_model, march)
# 保存两个bc文件，可用于后续直接load，也可以提供给地平线技术支持用于分析
save(qat_hbir_model, os.path.join(model_path, "qat_hbir_model.bc"))
save(quantized_hbir_model, os.path.join(model_path, "quantized_hbir_model.bc"))
return quantized_hbir_model # int_infer阶段会到这儿才退出
从 torchvision.models 中继承 MobileNetV2，微调一下，以支持量化相关操作。模型改造必要的操作有：
在模型所有输入分支前插入 QuantStub
在模型所有输出分支后插入 DequantStub
这部分具体实现过程解读可见代码注释。
# ----------------------------------------------------------------------------#
# Do necessary modify to the MobilenetV2 model from torchvision.
# For FX mode, we need to:
# Insert QuantStub before first layer and DequantStub after last layer.
# Operation replacement and fusion will be carried out automatically (^_^).
# ----------------------------------------------------------------------------#
# 在PyTorch中，QuantStub/DequantStub 是一种用于量化的辅助工具，
# 用于标记量化过程中需要量化/反量化的层或操作，
# 前期浮点训练时当它不存在，在量化时会自动被替换为对应的量化操作
# ----------------------------------------------------------------------------#
# 从torchvision.models中继承MobileNetV2，微调一下
class FxQATReadyMobileNetV2(MobileNetV2):
def __init__(
self,
num_classes: int = 10, # 实例变量，使用self.来引用变量
width_mult: float = 0.5,
inverted_residual_setting: Optional[List[List[int]]] = None,
round_nearest: int = 8,
):
super().__init__( # 类变量，使用类名来引用变量，如ClassName.variable_name
num_classes, width_mult, inverted_residual_setting, round_nearest
)
# --------------------------------------------------------------------#
# 简单理解，在模型首尾部包一层类似于量化反量化操作，每个输入分支都需要包一下
# --------------------------------------------------------------------#
# 地平线plugin中的QuantStub可以配置scale
# 这里的scale=1/128是后面模型输入配置为pyramid必备的
# pyramid是地平线的芯片上的一个硬件，数据输入可以从这儿来，也可以从DDR来
# --------------------------------------------------------------------#
self.quant = QuantStub(scale=1 / 128)
self.dequant = DeQuantStub()
def forward(self, x: Tensor) -> Tensor:
x = self.quant(x)
x = super().forward(x)
x = self.dequant(x)
return x
关于如何加载预训练权重部分的代码在函数 load_pretrain里，详细内容可以看 Python 文件，这里不再呈现。
def load_pretrain(model: nn.Module, model_path: str):
state_dict = load_state_dict_from_url(
MobileNet_V2_Weights.IMAGENET1K_V1.url,
model_dir=model_path,
progress=True,
) # MobileNet_V2_Weights.IMAGENET1K_V1权重，下载到model_dir，progress是下载进度条显示
具体实现，看 py 代码就行，很常规。
# --------------------------------------------------------------------------# # We define dataloaders and other helper functions used in training and evaluation. # --------------------------------------------------------------------------# def prepare_data_loaders( data_path: str, train_batch_size: int, eval_batch_size: int ) -> Tuple[data.DataLoader, data.DataLoader]: class AverageMeter(object): """Computes and stores the average and current value""" def accuracy(output: Tensor, target: Tensor, topk=(1,)) -> List[Tensor]: """Computes the accuracy over the k top predictions for the specified values of k""" def train_one_epoch( model: nn.Module, criterion: Callable, optimizer: torch.optim.Optimizer, scheduler: Optional[torch.optim.lr_scheduler._LRScheduler], data_loader: data.DataLoader, device: torch.device, ) -> None: def evaluate( model: nn.Module, data_loader: data.DataLoader, device: torch.device ) -> Tuple[AverageMeter, AverageMeter]:
针对float_model和qat_model的参数训练，代码解读如下，
发布文章# Float and qat share the same training procedure. def train( model: nn.Module, data_path: str, model_path: str, train_batch_size: int, eval_batch_size: int, epoch_num: int, device: torch.device, optim_config: Callable, stage: str, ): train_data_loader, eval_data_loader = prepare_data_loaders( data_path, train_batch_size, eval_batch_size ) optimizer, scheduler = optim_config(model) best_acc = 0 for nepoch in range(epoch_num): # Train/Eval state must be setted correctly before `set_fake_quantize` model.train() # --------------------------------------------# # qat模型训练和普通浮点模型训练的不同之处！ # --------------------------------------------# if stage == "qat": set_fake_quantize(model, FakeQuantState.QAT) train_one_epoch( model, nn.CrossEntropyLoss(), optimizer, scheduler, train_data_loader, device, ) model.eval() # --------------------------------------------# # qat模型验证精度 和普通浮点模型验证精度 的不同之处！ # --------------------------------------------# if stage == "qat": set_fake_quantize(model, FakeQuantState.VALIDATION) top1, top5 = evaluate( model, eval_data_loader, device, ) print( "{} Epoch {}: evaluation Acc@1 {:.3f} Acc@5 {:.3f}".format( stage.capitalize(), nepoch, top1.avg, top5.avg ) ) if top1.avg > best_acc: best_acc = top1.avg torch.save( model.state_dict(), os.path.join(model_path, "{}-checkpoint.ckpt".format(stage)), ) # 可用于保存 float-checkpoint.ckpt 和 qat-checkpoint.ckpt # ----------------------------------------------# # 当传入epoch_num=0，用于qat eval # ----------------------------------------------# if nepoch == 0: model.eval() if stage == "qat": set_fake_quantize(model, FakeQuantState.VALIDATION) top1, top5 = evaluate( model, eval_data_loader, device, ) print( "{} eval only: evaluation Acc@1 {:.3f} Acc@5 {:.3f}".format( stage.capitalize(), top1.avg, top5.avg ) ) # stage.capitalize()表示将字符串首字母大写 print("Best Acc@1 {:.3f}".format(best_acc)) return modelfloat 模型训练完成后，需要进行参数校准，得到 calib_model，如果 calib_model 精度满足要求，qat 训练就不需要了，即使 calib_model 精度不行，calib_model_state_dict(校准后的权重)对 qat 训练收敛也非常有帮助。
def calibrate( calib_model, data_path, model_path, calib_batch_size, eval_batch_size, device, num_examples=float("inf"), # float("inf")表示无穷大，主要用于控制使用多少数据进行校准，默认使用所有数据集 ): # Please note that calibration need the model in eval mode to make BatchNorm act properly. calib_model.eval() # 即使下面用的是train数据集，这儿也是eval # set CALIBRATION state will make FakeQuantize in training mode. set_fake_quantize(calib_model, FakeQuantState.CALIBRATION) train_data_loader, eval_data_loader = prepare_data_loaders( data_path, calib_batch_size, eval_batch_size ) with torch.no_grad(): cnt = 0 for image, target in train_data_loader: image, target = image.to(device), target.to(device) calib_model(image) print(".", end="", flush=True) cnt += image.size(0) if cnt >= num_examples: # 主要用于控制使用多少数据进行校准，默认使用所有数据集 break print() # Must set eval mode again before validation, because # set CALIBRATION state will make FakeQuantize in training mode. calib_model.eval() set_fake_quantize(calib_model, FakeQuantState.VALIDATION) top1, top5 = evaluate( calib_model, eval_data_loader, device, ) print( "Calibration: evaluation Acc@1 {:.3f} Acc@5 {:.3f}".format( top1.avg, top5.avg ) ) torch.save( calib_model.state_dict(), os.path.join(model_path, "calib-checkpoint.ckpt"), ) return calib_model定点模型/quantized 模型/量化模型 eval 推理一下看看精度
def int_infer( quantized_model, data_path, eval_batch_size, device, ): # hbir do not support dynamic batch size or cuda eval_batch_size = 1 device = torch.device("cpu") quantized_model = HbirModule(quantized_model) _, eval_data_loader = prepare_data_loaders( data_path, eval_batch_size, eval_batch_size ) top1, top5 = evaluate( quantized_model, eval_data_loader, device, ) print( "Quantized: evaluation Acc@1 {:.3f} Acc@5 {:.3f}".format( top1.avg, top5.avg ) ) return quantized_modelbc/hbir 模型如何推理呢？使用 HbirModule 即可
############################################################################## # Hbir module wrapper to deal with in-out structures. ############################################################################## class HbirModule(nn.Module): def __init__(self, hbir_module) -> None: super().__init__() self.hbir_module = hbir_module self.input_flattener = hb4.get_hbir_input_flattener(hbir_module) self.output_unflattener = hb4.get_hbir_output_unflattener(hbir_module) # hbir do not support dynamic batch size or cuda def forward(self, input): # 输入给tuple即可 flat_input = self.input_flattener(input) hbir_rets = self.hbir_module[0](*flat_input) rets = self.output_unflattener(hbir_rets) return rets
编译生成上板模型 model.hbm，同时针对 hbm 模型预估性能
def compile( quantized_model, model_path, compile_opt=0, ): from hbdk4.compiler import compile, hbm_perf hbm_path = os.path.join(model_path, "model.hbm") perf_dir = os.path.join(model_path, "perf") compile(quantized_model, hbm_path, get_march(), compile_opt) # 编译生成hbm模型 hbm_perf(hbm_path, perf_dir) # 预估hbm模型性能
之前写过一篇 X征程3/征程5 零基础学习地平线 QAT 量化感知训练，在 CSDN 上的反馈还行，为了方便直接入手 征程6 的用户，特意写了这篇文章。关于后续，应该会基于 征程6 再学习一些工具链的知识，例如：
prepare 阶段的 qconfig_setter 是重中之重，本文并未介绍，后续再看
这个模型比较简单，针对 forward 中有动态循环的怎么处理？不需要处理？后续再看
*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。
