基于pytorch的模型剪枝+模型量化+BN合并+TRT部署(cifar数据)(1)

相关代码下载地址:下载地址

压缩

  • 量化:High-Bit(>2b): QAT, PTQ, QAFT; Low-Bit(≤2b)/Ternary and Binary: QAT
  • 剪枝:正常、规整和分组卷积结构剪枝
  • 针对特征(A)二值量化的BN融合(训练量化后,BN参数 —> conv的偏置b)
  • High-Bit量化的BN融合(训练量化中,先融合再量化,融合:BN参数 —> conv的权重w和偏置b)

部署

  • TensorRT(fp32/fp16/int8(ptq-calibration)、op-adapt(upsample)、dynamic_shape等)

环境要求

  • python >= 3.5
  • torch >= 1.1.0
  • torchvison >= 0.3.0
  • numpy
  • onnx == 1.6.0
  • tensorrt == 7.0

你可能感兴趣的:(pytorch量化感知训练,稀疏训练,模型剪枝学习教程,自动驾驶,计算机视觉,人工智能)