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)

将校准或训练后的模型转换为量化模型

参数

• graph_module (*) – 一个准备好并已校准/训练的模型 (GraphModule)

• convert_custom_config (*) – 转换函数的自定义配置。请参阅 ConvertCustomConfig 了解更多详情

• _remove_qconfig (*) – 在转换后移除模型中的 qconfig 属性的选项。

• qconfig_mapping (*) –

  用于指定如何为量化转换模型的配置。

  键必须包含传递给 prepare_fx 或 prepare_qat_fx 的 qconfig_mapping 中的键，具有相同的值或 None。可以指定其他键，值设置为 None。

  对于每个值设置为 None 的条目，我们跳过量化模型中的该条目

  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): 后端的配置，描述了如何

    算子应在后端量化，这包括量化模式支持（静态/动态/仅权重）、dtype 支持（quint8/qint8 等）、每个算子的观察者放置和融合算子。请参阅 BackendConfig 了解更多详情

返回

一个量化模型 (torch.nn.Module)

返回类型

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)