本文主要是介绍yolov5的pqt、qat量化---1（知识准备工作），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1、Pytorch-Quantization简介
PyTorch Quantization是一个工具包，用于训练和评估具有模拟量化的PyTorch模型。PyTorch Quantization API支持将 PyTorch 模块自动转换为其量化版本。转换也可以使用 API 手动完成，这允许在不想量化所有模块的情况下进行部分量化。例如，一些层可能对量化比较敏感，对其不进行量化可提高任务精度。
PyTorch Quantization的量化模型可以直接导出到ONNX，并由TensorRT 8.0或者更高版本导入进行转换Engine。
1.1 量化函数
tensor_quant和fake_tensor_ quant是量化张量的2个基本函数：
- fake_tensor_quant 返回伪量化张量（浮点值）。
- tensor_quant 返回量化后的张量（整数值）以及其对应的缩放值Scale。
1.2 描述符和量化器
QuantDescriptor是用来定义张量应如何量化；PyTorch Quantization提供了一些预定义的QuantDescriptor，例如：
1）QUANT_DESC_8BIT_PER_TENSOR
2）QUANT_DESC_8BIT_CONV2D_WEIGHT_PER_CHANNEL
TensorQuantizer 可以量化、伪量化或收集张量的统计信息。它与 QuantDescriptor 一起使用，后者描述了如何量化张量。
如下图所示，
这篇关于yolov5的pqt、qat量化---1（知识准备工作）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
