转换_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)

将校准或训练好的模型转换为量化模型

参数:

• 图模块 (*) – 准备并校准/训练好的模型（GraphModule）

• convert_custom_config (*) – 转换函数的定制配置。更多详情请见 ConvertCustomConfig

• _remove_qconfig (*) – 在转换后从模型中移除 qconfig 属性的选项。

• qconfig_mapping (*) –

  指定如何将模型转换为量化模型的配置。

  键必须包括传递给 prepare_fx 或 prepare_qat_fx 的 qconfig_mapping 中的键，值相同或为 None。可以指定额外的键，并将值设置为 None。

  对于值设置为 None 的每个条目，我们将跳过在模型中对该条目进行量化：

  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（后端配置）：描述后端如何配置的配置。

    量化操作应在后端进行，这包括量化模式支持（静态/动态/仅权重），数据类型支持（quint8/qint8 等），每个操作符的观察器放置以及融合操作符。详见 BackendConfig 获取更多详情

返回值:

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)