convert_fx

class torch.ao.quantization.quantize_fx.convert_fx(graph_module, convert_custom_config=None, _remove_qconfig=True, qconfig_mapping=None, backend_config=None, keep_original_weights=False)

將經過校準或訓練的模型轉換為量化模型

引數

• graph_module (*) – 經過準備和校準/訓練的模型 (GraphModule)

• convert_custom_config (*) – convert 函式的自定義配置。詳見 ConvertCustomConfig

• _remove_qconfig (*) – 轉換後移除模型中 qconfig 屬性的選項。

• qconfig_mapping (*) –

  指定如何進行模型量化的配置。

  鍵必須包含傳遞給 prepare_fx 或 prepare_qat_fx 中的 qconfig_mapping 的鍵，且值相同或為 None。可以指定額外的鍵，其值設定為 None。

  對於值為 None 的每個條目，我們將跳過對模型中該條目的量化

  qconfig_mapping = QConfigMapping
      .set_global(qconfig_from_prepare)
      .set_object_type(torch.nn.functional.add, None)  # skip quantizing torch.nn.functional.add
      .set_object_type(torch.nn.functional.linear, qconfig_from_prepare)
      .set_module_name("foo.bar", None)  # skip quantizing module "foo.bar"
  

  • backend_config (BackendConfig)：後端配置，描述瞭如何

    在後端中對運算元進行量化，這包括量化模式支援（靜態/動態/僅權重）、dtype 支援（quint8/qint8 等）、每個運算元和融合運算元的觀察器放置。詳見 BackendConfig

返回

一個量化模型 (torch.nn.Module)

返回型別

GraphModule

示例

# prepared_model: the model after prepare_fx/prepare_qat_fx and calibration/training
# convert_fx converts a calibrated/trained model to a quantized model for the
# target hardware, this includes converting the model first to a reference
# quantized model, and then lower the reference quantized model to a backend
# Currently, the supported backends are fbgemm (onednn), qnnpack (xnnpack) and
# they share the same set of quantized operators, so we are using the same
# lowering procedure
#
# backend_config defines the corresponding reference quantized module for
# the weighted modules in the model, e.g. nn.Linear
# TODO: add backend_config after we split the backend_config for fbgemm and qnnpack
# e.g. backend_config = get_default_backend_config("fbgemm")
quantized_model = convert_fx(prepared_model)