TensorRT支持使用8位整數(shù)表示量化的浮點值

7.1. Introduction to Quantization

TensorRT 支持使用 8 位整數(shù)來表示量化的浮點值。量化方案是對稱均勻量化 – 量化值以有符號 INT8 表示，從量化到非量化值的轉(zhuǎn)換只是一個乘法。在相反的方向上，量化使用倒數(shù)尺度，然后是舍入和鉗位。

要啟用任何量化操作，必須在構(gòu)建器配置中設置 INT8 標志。

7.1.1. Quantization Workflows

創(chuàng)建量化網(wǎng)絡有兩種工作流程：

訓練后量化（PTQ： Post-training quantization） 在網(wǎng)絡經(jīng)過訓練后得出比例因子。 TensorRT 為 PTQ 提供了一個工作流程，稱為校準（calibration），當網(wǎng)絡在代表性輸入數(shù)據(jù)上執(zhí)行時，它測量每個激活張量內(nèi)的激活分布，然后使用該分布來估計張量的尺度值。

量化感知訓練（QAT： Quantization-aware training） 在訓練期間計算比例因子。這允許訓練過程補償量化和去量化操作的影響。

TensorRT 的量化工具包是一個 PyTorch 庫，可幫助生成可由 TensorRT 優(yōu)化的 QAT 模型。您還可以利用工具包的 PTQ 方式在 PyTorch 中執(zhí)行 PTQ 并導出到 ONNX。

7.1.2. Explicit vs Implicit Quantization

量化網(wǎng)絡可以用兩種方式表示：

在隱式量化網(wǎng)絡中，每個量化張量都有一個相關的尺度。在讀寫張量時，尺度用于隱式量化和反量化值。

在處理隱式量化網(wǎng)絡時，TensorRT 在應用圖形優(yōu)化時將模型視為浮點模型，并適時的使用 INT8 來優(yōu)化層執(zhí)行時間。如果一個層在 INT8 中運行得更快，那么它在 INT8 中執(zhí)行。否則，使用 FP32 或 FP16。在這種模式下，TensorRT 僅針對性能進行優(yōu)化，您幾乎無法控制 INT8 的使用位置——即使您在 API 級別明確設置層的精度，TensorRT 也可能在圖優(yōu)化期間將該層與另一個層融合，并丟失它必須在 INT8 中執(zhí)行的信息。 TensorRT 的 PTQ 功能可生成隱式量化網(wǎng)絡。

在顯式量化的網(wǎng)絡中，在量化和未量化值之間轉(zhuǎn)換的縮放操作由圖中的IQuantizeLayer （ C++ ， Python）和IDequantizeLayer （ C++ ， Python ） 節(jié)點顯式表示 – 這些節(jié)點此后將被稱為 Q/DQ 節(jié)點。與隱式量化相比，顯式形式精確地指定了與 INT8 之間的轉(zhuǎn)換在何處執(zhí)行，并且優(yōu)化器將僅執(zhí)行由模型語義規(guī)定的精度轉(zhuǎn)換，即使：

• 添加額外的轉(zhuǎn)換可以提高層精度（例如，選擇 FP16 內(nèi)核實現(xiàn)而不是 INT8 實現(xiàn)）
• 添加額外的轉(zhuǎn)換會導致引擎執(zhí)行得更快（例如，選擇 INT8 內(nèi)核實現(xiàn)來執(zhí)行指定為具有浮點精度的層，反之亦然）

ONNX 使用顯式量化表示 – 當 PyTorch 或 TensorFlow 中的模型導出到 ONNX 時，框架圖中的每個偽量化操作都導出為 Q，然后是 DQ。由于 TensorRT 保留了這些層的語義，因此您可以期望任務準確度非常接近框架中看到的準確度。雖然優(yōu)化保留了量化和去量化的位置，但它們可能會改變模型中浮點運算的順序，因此結(jié)果不會按位相同。 請注意，與 TensorRT 的 PTQ 相比，在框架中執(zhí)行 QAT 或 PTQ 然后導出到 ONNX 將產(chǎn)生一個明確量化的模型。Table 2. Implicit vs Explicit Quantization

有關量化的更多背景信息，請參閱深度學習推理的整數(shù)量化：原理和實證評估論文。

7.1.3. Per-Tensor and Per-Channel Quantization

有兩種常見的量化尺度粒度：

每張量量化：其中使用單個比例值（標量）來縮放整個張量。

每通道量化：沿給定軸廣播尺度張量 – 對于卷積神經(jīng)網(wǎng)絡，這通常是通道軸。

通過顯式量化，權(quán)重可以使用每張量量化進行量化，也可以使用每通道量化進行量化。在任何一種情況下，比例精度都是 FP32。激活只能使用每張量量化來量化。

當使用每通道量化時，量化軸必須是輸出通道軸。例如，當使用KCRS表示法描述 2D 卷積的權(quán)重時， K是輸出通道軸，權(quán)重量化可以描述為：

For each k in K:
    For each c in C:
        For each r in R:
            For each s in S:
                output[k,c,r,s] := clamp(round(input[k,c,r,s] / scale[k]))

比例尺是一個系數(shù)向量，必須與量化軸具有相同的大小。量化尺度必須由所有正浮點系數(shù)組成。四舍五入方法是四舍五入到最近的關系到偶數(shù)，并且鉗位在［-128， 127］范圍內(nèi)。

除了定義為的逐點操作外，反量化的執(zhí)行方式類似：

output[k,c,r,s] := input[k,c,r,s] * scale[k]

TensorRT 僅支持激活張量的每張量量化，但支持卷積、反卷積、全連接層和 MatMul 的每通道權(quán)重量化，其中第二個輸入是常數(shù)且兩個輸入矩陣都是二維的。7.2. Setting Dynamic Range

TensorRT 提供 API 來直接設置動態(tài)范圍（必須由量化張量表示的范圍），以支持在 TensorRT 之外計算這些值的隱式量化。 API 允許使用最小值和最大值設置張量的動態(tài)范圍。由于 TensorRT 目前僅支持對稱范圍，因此使用max（abs（min_float）， abs（max_float））計算比例。請注意，當abs（min_float） ！= abs（max_float）時，TensorRT 使用比配置更大的動態(tài)范圍，這可能會增加舍入誤差。

將在 INT8 中執(zhí)行的操作的所有浮點輸入和輸出都需要動態(tài)范圍。

您可以按如下方式設置張量的動態(tài)范圍： C++

tensor-》setDynamicRange（min_float， max_float）;

Python

tensor.dynamic_range = （min_float， max_float）

sampleINT8API說明了這些 API 在 C++ 中的使用。

7.3. Post-Training Quantization using Calibration

在訓練后量化中，TensorRT 計算網(wǎng)絡中每個張量的比例值。這個過程稱為校準，需要您提供有代表性的輸入數(shù)據(jù)，TensorRT 在其上運行網(wǎng)絡以收集每個激活張量的統(tǒng)計信息。

所需的輸入數(shù)據(jù)量取決于應用程序，但實驗表明大約 500 張圖像足以校準 ImageNet 分類網(wǎng)絡。

給定激活張量的統(tǒng)計數(shù)據(jù)，決定最佳尺度值并不是一門精確的科學——它需要平衡量化表示中的兩個誤差源：離散化誤差（隨著每個量化值表示的范圍變大而增加）和截斷誤差（其中值被限制在可表示范圍的極限）。因此，TensorRT 提供了多個不同的校準器，它們以不同的方式計算比例。較舊的校準器還為 GPU 執(zhí)行層融合，以在執(zhí)行校準之前優(yōu)化掉不需要的張量。這在使用 DLA 時可能會出現(xiàn)問題，其中融合模式可能不同，并且可以使用kCALIBRATE_BEFORE_FUSION量化標志覆蓋。

IInt8EntropyCalibrator2

熵校準選擇張量的比例因子來優(yōu)化量化張量的信息論內(nèi)容，通常會抑制分布中的異常值。這是當前推薦的熵校準器，是 DLA 所必需的。默認情況下，校準發(fā)生在圖層融合之前。推薦用于基于 CNN 的網(wǎng)絡。

IInt8MinMaxCalibrator

該校準器使用激活分布的整個范圍來確定比例因子。它似乎更適合 NLP 任務。默認情況下，校準發(fā)生在圖層融合之前。推薦用于 NVIDIA BERT（谷歌官方實現(xiàn)的優(yōu)化版本）等網(wǎng)絡。

IInt8EntropyCalibrator

這是原始的熵校準器。它的使用沒有 LegacyCalibrator 復雜，通常會產(chǎn)生更好的結(jié)果。默認情況下，校準發(fā)生在圖層融合之后。

IInt8LegacyCalibrator

該校準器與 TensorRT 2.0 EA 兼容。此校準器需要用戶參數(shù)化，并且在其他校準器產(chǎn)生不良結(jié)果時作為備用選項提供。默認情況下，校準發(fā)生在圖層融合之后。您可以自定義此校準器以實現(xiàn)最大百分比，例如，觀察到 99.99% 的最大百分比對于 NVIDIA BERT 具有最佳精度。

構(gòu)建 INT8 引擎時，構(gòu)建器執(zhí)行以下步驟：

構(gòu)建一個 32 位引擎，在校準集上運行它，并為激活值分布的每個張量記錄一個直方圖。

從直方圖構(gòu)建一個校準表，為每個張量提供一個比例值。

根據(jù)校準表和網(wǎng)絡定義構(gòu)建 INT8 引擎。

校準可能很慢；因此步驟 2 的輸出（校準表）可以被緩存和重用。這在多次構(gòu)建相同的網(wǎng)絡時非常有用，例如，在多個平臺上 – 特別是，它可以簡化工作流程，在具有離散 GPU 的機器上構(gòu)建校準表，然后在嵌入式平臺上重用它?？稍诖颂幷业綐颖拘时?。 在運行校準之前，TensorRT 會查詢校準器實現(xiàn)以查看它是否有權(quán)訪問緩存表。如果是這樣，它直接進行到上面的步驟 3。緩存數(shù)據(jù)作為指針和長度傳遞。

只要校準發(fā)生在層融合之前，校準緩存數(shù)據(jù)就可以在平臺之間以及為不同設備構(gòu)建引擎時移植。這意味著在默認情況下使用IInt8EntropyCalibrator2或IInt8MinMaxCalibrator校準器或設置QuantizationFlag：：kCALIBRATE_BEFORE_FUSION時，校準緩存是可移植的。不能保證跨平臺或設備的融合是相同的，因此在層融合之后進行校準可能不會產(chǎn)生便攜式校準緩存。 除了量化激活，TensorRT 還必須量化權(quán)重。它使用對稱量化和使用權(quán)重張量中找到的最大絕對值計算的量化比例。對于卷積、反卷積和全連接權(quán)重，尺度是每個通道的。

注意：當構(gòu)建器配置為使用 INT8 I/O 時，TensorRT 仍希望校準數(shù)據(jù)位于 FP32 中。您可以通過將 INT8 I/O 校準數(shù)據(jù)轉(zhuǎn)換為 FP32 精度來創(chuàng)建 FP32 校準數(shù)據(jù)。您還必須確保 FP32 投射校準數(shù)據(jù)在［-128.0F， 127.0F］范圍內(nèi)，因此可以轉(zhuǎn)換為 INT8 數(shù)據(jù)而不會造成任何精度損失。

INT8 校準可與動態(tài)范圍 API 一起使用。手動設置動態(tài)范圍會覆蓋 INT8 校準生成的動態(tài)范圍。

注意：校準是確定性的——也就是說，如果您在同一設備上以相同的順序為 TensorRT 提供相同的校準輸入，則生成的比例在不同的運行中將是相同的。當提供相同的校準輸入時，當使用具有相同批量大小的相同設備生成時，校準緩存中的數(shù)據(jù)將按位相同。當使用不同的設備、不同的批量大小或使用不同的校準輸入生成校準緩存時，不能保證校準緩存中的確切數(shù)據(jù)按位相同。

7.3.1. INT8 Calibration Using C++

要向 TensorRT 提供校準數(shù)據(jù)，請實現(xiàn)IInt8Calibrator接口。

關于這個任務

構(gòu)建器調(diào)用校準器如下：

首先，它查詢接口的批次大小并調(diào)用getBatchSize（）來確定預期的輸入批次的大小。

然后，它反復調(diào)用getBatch（）來獲取批量輸入。批次必須與getBatchSize（）的批次大小完全相同。當沒有更多批次時， getBatch（）必須返回false 。

實現(xiàn)校準器后，您可以配置構(gòu)建器以使用它：

config->setInt8Calibrator(calibrator.get());

要緩存校準表，請實現(xiàn)writeCalibrationCache（）和readCalibrationCache（）方法。

有關配置 INT8 校準器對象的更多信息，請參閱sampleINT8

7.3.2. Calibration Using Python

以下步驟說明了如何使用 Python API 創(chuàng)建 INT8 校準器對象。 程序

導入 TensorRT：

import tensorrt as trt

NUM_IMAGES_PER_BATCH = 5
batchstream = ImageBatchStream(NUM_IMAGES_PER_BATCH, calibration_files)

Int8_calibrator = EntropyCalibrator(["input_node_name"], batchstream)

config.set_flag(trt.BuilderFlag.INT8)
config.int8_calibrator = Int8_calibrator

7.4. Explicit Quantization

當 TensorRT 檢測到網(wǎng)絡中存在 Q/DQ 層時，它會使用顯式精度處理邏輯構(gòu)建一個引擎。

AQ/DQ 網(wǎng)絡必須在啟用 INT8 精度構(gòu)建器標志的情況下構(gòu)建：

config->setFlag(BuilderFlag::kINT8);

在顯式量化中，表示與 INT8 之間的網(wǎng)絡變化是顯式的，因此，INT8 不能用作類型約束。7.4.1. Quantized Weights

Q/DQ 模型的權(quán)重必須使用 FP32 數(shù)據(jù)類型指定。 TensorRT 使用對權(quán)重進行操作的IQuantizeLayer的比例對權(quán)重進行量化。量化的權(quán)重存儲在引擎文件中。也可以使用預量化權(quán)重，但必須使用 FP32 數(shù)據(jù)類型指定。 Q 節(jié)點的 scale 必須設置為1.0F ，但 DQ 節(jié)點必須是真實的 scale 值。

7.4.2. ONNX Support

當使用 Quantization Aware Training （QAT） 在 PyTorch 或 TensorFlow 中訓練的模型導出到 ONNX 時，框架圖中的每個偽量化操作都會導出為一對QuantizeLinear和DequantizeLinear ONNX 運算符。

當 TensorRT 導入 ONNX 模型時，ONNX QuantizeLinear算子作為IQuantizeLayer實例導入，ONNX DequantizeLinear算子作為IDequantizeLayer實例導入。

使用 opset 10 的 ONNX 引入了對 QuantizeLinear/DequantizeLinear 的支持，并且在 opset 13 中添加了量化軸屬性（每通道量化所必需的）。 PyTorch 1.8 引入了對使用 opset 13 將 PyTorch 模型導出到 ONNX 的支持。

警告： ONNX GEMM 算子是一個可以按通道量化的示例。 PyTorch torch.nn.Linear層導出為 ONNX GEMM 算子，具有（K， C）權(quán)重布局并啟用了transB GEMM 屬性（這會在執(zhí)行 GEMM 操作之前轉(zhuǎn)置權(quán)重）。另一方面，TensorFlow在 ONNX 導出之前預轉(zhuǎn)置權(quán)重（C， K） ：

PyTorch： $y = xW^T$

TensorFlow： $y = xW$

因此，PyTorch 權(quán)重由 TensorRT 轉(zhuǎn)置。權(quán)重在轉(zhuǎn)置之前由 TensorRT 進行量化，因此源自從 PyTorch 導出的 ONNX QAT 模型的 GEMM 層使用維度0進行每通道量化（軸K = 0 ）；而源自 TensorFlow 的模型使用維度1 （軸K = 1 ）。

TensorRT 不支持使用 INT8 張量或量化運算符的預量化 ONNX 模型。具體來說，以下 ONNX 量化運算符不受支持，如果在 TensorRT 導入 ONNX 模型時遇到它們，則會生成導入錯誤：

QLinearConv/QLinearMatmul

ConvInteger/MatmulInteger

7.4.3. TensorRT Processing Of Q/DQ Networks

當 TensorRT 在 Q/DQ 模式下優(yōu)化網(wǎng)絡時，優(yōu)化過程僅限于不改變網(wǎng)絡算術正確性的優(yōu)化。由于浮點運算的順序會產(chǎn)生不同的結(jié)果（例如，重寫 $a * s + b * s$ 為 $（a + b） * s$是一個有效的優(yōu)化）。允許這些差異通常是后端優(yōu)化的基礎，這也適用于將具有 Q/DQ 層的圖轉(zhuǎn)換為使用 INT8 計算。

Q/DQ 層控制網(wǎng)絡的計算和數(shù)據(jù)精度。 IQuantizeLayer實例通過量化將 FP32 張量轉(zhuǎn)換為 INT8 張量， IDequantizeLayer實例通過反量化將INT8張量轉(zhuǎn)換為 FP32 張量。 TensorRT 期望量化層的每個輸入上都有一個 Q/DQ 層對。量化層是深度學習層，可以通過與IQuantizeLayer和IDequantizeLayer實例融合來轉(zhuǎn)換為量化層。當 TensorRT 執(zhí)行這些融合時，它會將可量化層替換為實際使用 INT8 計算操作對 INT8 數(shù)據(jù)進行操作的量化層。

對于本章中使用的圖表，綠色表示 INT8 精度，藍色表示浮點精度。箭頭代表網(wǎng)絡激活張量，正方形代表網(wǎng)絡層。

下圖。 可量化的AveragePool層（藍色）與 DQ 層和 Q 層融合。所有三層都被量化的AveragePool層（綠色）替換。

在網(wǎng)絡優(yōu)化期間，TensorRT 在稱為 Q/DQ 傳播的過程中移動 Q/DQ 層。傳播的目標是最大化以低精度處理的圖的比例。因此，TensorRT 向后傳播 Q 節(jié)點（以便盡可能早地進行量化）和向前傳播 DQ 節(jié)點（以便盡可能晚地進行去量化）。 Q-layers 可以與 commute-with-Quantization 層交換位置，DQ-layers 可以與 commute-with-Dequantization 層交換位置。

A layer Op commutes with quantization if $Q （Op （x） ） ==Op （Q （x） ）$

Similarly， a layer Op commutes with dequantization if $Op （DQ （x） ） ==DQ （Op （x） ）$

下圖說明了 DQ 前向傳播和 Q 后向傳播。這些是對模型的合法重寫，因為 Max Pooling 具有 INT8 實現(xiàn)，并且因為 Max Pooling 與 DQ 和 Q 通訊。

下圖描述 DQ 前向傳播和 Q 后向傳播的插圖。

注意：

為了理解最大池化交換，讓我們看一下應用于某個任意輸入的最大池化操作的輸出。 Max Pooling應用于輸入系數(shù)組并輸出具有最大值的系數(shù)。對于由系數(shù)組成的組i ： ${x_0 。 . x_m}$

$utput_i ：= max（{x_0， x_1， … x_m}） = max（{max（{max（{x_0， x_1}）， x_2）}， … x_m}）$

因此，在不失一般性（WLOG）的情況下查看兩個任意系數(shù)就足夠了：

$x_j = max（{x_j， x_k}）\ \ \ for\ \ \ x_j 》= x_k$

對于量化函數(shù)$Q（a， scale， x_max， x_min） ：= truncate（round（a/scale）， x_max，x_min）$ 來說$scale》0$， 注意（不提供證明，并使用簡化符號）：

$Q（x_j， scale） 》= Q（x_k， scale）\ \ \ for\ \ \ x_j 》= x_k$

因此：

$max（{Q（x_j， scale）， Q（x_k， scale）}） = Q（x_j， scale）\ \ \ for\ \ \ x_j 》= x_k$

然而，根據(jù)定義：

$Q（max（{x_j， x_k}）， scale） = Q（x_j， scale）\ \ \ for\ \ \ x_j 》= x_k$

函數(shù) $max$ commutes-with-quantization 和 Max Pooling 也是如此。

類似地，對于去量化，函數(shù)$DQ （a， scale） ：=a * scale with scale》0$ 我們可以證明：

$max（{DQ（x_j， scale）， DQ（x_k， scale）}） = DQ（x_j， scale） = DQ（max（{x_j， x_k}）， scale）\ \ \ for\ \ \ x_j 》= x_k$

量化層和交換層的處理方式是有區(qū)別的。兩種類型的層都可以在 INT8 中計算，但可量化層也與 DQ 輸入層和 Q 輸出層融合。例如， AveragePooling層（可量化）不與 Q 或 DQ 交換，因此使用 Q/DQ 融合對其進行量化，如第一張圖所示。這與如何量化 Max Pooling（交換）形成對比。

7.4.4. Q/DQ Layer-Placement Recommendations

Q/DQ 層在網(wǎng)絡中的放置會影響性能和準確性。由于量化引入的誤差，激進量化會導致模型精度下降。但量化也可以減少延遲。此處列出了在網(wǎng)絡中放置 Q/DQ 層的一些建議。

量化加權(quán)運算（卷積、轉(zhuǎn)置卷積和 GEMM）的所有輸入。權(quán)重和激活的量化降低了帶寬需求，還使 INT8 計算能夠加速帶寬受限和計算受限的層。

下圖 TensorRT 如何融合卷積層的兩個示例。在左邊，只有輸入被量化。在右邊，輸入和輸出都被量化了。

默認情況下，不量化加權(quán)運算的輸出。保留更高精度的去量化輸出有時很有用。例如，如果線性運算后面跟著一個激活函數(shù)（SiLU，下圖中），它需要更高的精度輸入才能產(chǎn)生可接受的精度。

不要在訓練框架中模擬批量歸一化和 ReLU 融合，因為 TensorRT 優(yōu)化保證保留這些操作的算術語義。

TensorRT 可以在加權(quán)層之后融合element-wise addition，這對于像 ResNet 和 EfficientNet 這樣具有跳躍連接的模型很有用。element-wise addition層的第一個輸入的精度決定了融合輸出的精度。

比如下圖中，$x_f^1$的精度是浮點數(shù)，所以融合卷積的輸出僅限于浮點數(shù)，后面的Q層不能和卷積融合。

相比之下，當$x_f^1$量化為 INT8 時，如下圖所示，融合卷積的輸出也是 INT8，尾部的 Q 層與卷積融合。

為了獲得額外的性能，請嘗試使用 Q/DQ 量化不交換的層。目前，具有 INT8 輸入的非加權(quán)層也需要 INT8 輸出，因此對輸入和輸出都進行量化。

如果 TensorRT 無法將操作與周圍的 Q/DQ 層融合，則性能可能會降低，因此在添加 Q/DQ 節(jié)點時要保守，并牢記準確性和 TensorRT 性能進行試驗。

下圖是額外 Q/DQ 操作可能導致的次優(yōu)融合示例（突出顯示的淺綠色背景矩形）。

對激活使用逐張量量化；和每個通道的權(quán)重量化。這種配置已經(jīng)被經(jīng)驗證明可以帶來最佳的量化精度。

您可以通過啟用 FP16 進一步優(yōu)化引擎延遲。 TensorRT 盡可能嘗試使用 FP16 而不是 FP32（目前并非所有層類型都支持）

7.4.5. Q/DQ Limitations

TensorRT 執(zhí)行的一些 Q/DQ 圖重寫優(yōu)化比較兩個或多個 Q/DQ 層之間的量化尺度值，并且僅在比較的量化尺度相等時才執(zhí)行圖重寫。改裝可改裝的 TensorRT 引擎時，可以為 Q/DQ 節(jié)點的尺度分配新值。在 Q/DQ 引擎的改裝操作期間，TensorRT 檢查是否為參與尺度相關優(yōu)化的 Q/DQ 層分配了破壞重寫優(yōu)化的新值，如果為真則拋出異常。

下比較 Q1 和 Q2 的尺度是否相等的示例，如果相等，則允許它們向后傳播。如果使用 Q1 和 Q2 的新值對引擎進行改裝，使得Q1 ！= Q2 ，則異常中止改裝過程。

7.4.6. QAT Networks Using TensorFlow

目前，沒有用于 TensorRT 的 TensorFlow 量化工具包，但是，有幾種推薦的方法：

TensorFlow 2 引入了一個新的 API 來在 QAT（量化感知訓練）中執(zhí)行偽量化： tf.quantization.quantize_and_dequantize_v2 該算子使用與 TensorRT 的量化方案一致的對稱量化。我們推薦這個 API 而不是 TensorFlow 1 tf.quantization.quantize_and_dequantize API。 導出到 ONNX 時，可以使用tf2onnx轉(zhuǎn)換器將quantize_and_dequantize_v2算子轉(zhuǎn)換為一對 QuantizeLinear 和 DequantizeLinear 算子（Q/DQ 算子） 。請參閱quantization_ops_rewriter以了解如何執(zhí)行此轉(zhuǎn)換。

默認情況下，TensorFlow 將tf.quantization.quantize_and_dequantize_v2算子（導出到 ONNX 后的 Q/DQ 節(jié)點）放在算子輸出上，而 TensorRT 建議將 Q/DQ 放在層輸入上。有關詳細信息，請參閱QDQ 位置。

TensorFlow 1 不支持每通道量化 （PCQ）。建議將 PCQ 用于權(quán)重，以保持模型的準確性。

7.4.7. QAT Networks Using PyTorch

PyTorch 1.8.0 和前版支持 ONNX QuantizeLinear / DequantizeLinear ，支持每通道縮放。您可以使用pytorch-quantization進行 INT8 校準，運行量化感知微調(diào)，生成 ONNX，最后使用 TensorRT 在此 ONNX 模型上運行推理。更多詳細信息可以在PyTorch-Quantization Toolkit 用戶指南中找到。

7.5. INT8 Rounding Modes

關于作者

Ken He 是 NVIDIA 企業(yè)級開發(fā)者社區(qū)經(jīng)理 & 高級講師，擁有多年的 GPU 和人工智能開發(fā)經(jīng)驗。自 2017 年加入 NVIDIA 開發(fā)者社區(qū)以來，完成過上百場培訓，幫助上萬個開發(fā)者了解人工智能和 GPU 編程開發(fā)。在計算機視覺，高性能計算領域完成過多個獨立項目。并且，在機器人和無人機領域，有過豐富的研發(fā)經(jīng)驗。對于圖像識別，目標的檢測與跟蹤完成過多種解決方案。曾經(jīng)參與 GPU 版氣象模式GRAPES，是其主要研發(fā)者。

審核編輯：郭婷