pytorch量化感知訓練（QAT）示例---ResNet

1. 訓練浮點模型，測試浮點模式在CPU和GPU上的時間;
2. BN層融合，測試融合前后精度和結果比對;
3. 加入torch的量化感知API，訓練一個QAT模型;
4. 保存定點INT8模型, 測試速度和精度;
5. 完成一致性對其，并保存int8模型。

完整代碼下載地址：下載地址
代碼流程圖下：
`
def main():

random_seed = 0
num_classes = 10
cuda_device = torch.device("cuda:0")
cpu_device = torch.device("cpu:0")model_dir = "saved_models"
model_filename = "resnet18_cifar10.pt"
quantized_model_filename = "resnet18_quantized_cifar10.pt"
model_filepath = os.path.join(model_dir, model_filename)
quantized_model_filepath = os.path.join(model_dir, quantized_model_filename)set_random_seeds(random_seed=random_seed)# Create an untrained model.
model = create_model(nu

總結

以上是生活随笔為你收集整理的pytorch量化感知训练（QAT）示例---ResNet的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。