请问量化感知训练(qat)怎么使用

[WZMIAOMIAO]

您好，非常感谢你们开源的优秀项目。最近想学习一下，我看了下文档，好像没找到感知训练量化的内容(可能是自己粗心没找到)。如果是我没找到希望您能稍微指点一下文档在哪，如果真的没有，想了解下您们的一些想法。谢谢。

[hshen14]

You may also have some interests to this one: https://github.com/intel/neural-compressor/tree/master/examples. Just FYI.

[Jzz24]

目前ppq仅支持离线量化(ptq)。但集成了一些“量化训练"算法比如lsq，brecq，advanced optimize等方法，区别于qat，上述算法仅仅在标定集上进行blockwise的微调，不会整个模型进行梯度反传训练，其优化效果也是不错的，帮助我们解决了不少模型掉点。 暂未支持qat的原因：

1. 数据隐私，无法获取整个数据集进行qat训练；面对批量的快速部署需求，采用ptq部署效率更高；
2. 当前硬件推理库大都仅支持8比特量化，ptq可满足绝大部分需求；
3. 面对"难量化"的模型掉点，更重要的是定位量化误差的来源（后端图融合？算子联合定点？激活值或者weight异常值等），否则无脑qat的话，效果可能不尽如人意。ppq花了很多时间在图融合，联合定点的量化模拟，希望对你有帮助。

[WZMIAOMIAO]

You may also have some interests to this one: https://github.com/intel/neural-compressor/tree/master/examples. Just FYI.

thanks...

[WZMIAOMIAO]

目前ppq仅支持离线量化(ptq)。但集成了一些“量化训练"算法比如lsq，brecq，advanced optimize等方法，区别于qat，上述算法仅仅在标定集上进行blockwise的微调，不会整个模型进行梯度反传训练，其优化效果也是不错的，帮助我们解决了不少模型掉点。 暂未支持qat的原因：

1. 数据隐私，无法获取整个数据集进行qat训练；面对批量的快速部署需求，采用ptq部署效率更高；
2. 当前硬件推理库大都仅支持8比特量化，ptq可满足绝大部分需求；
3. 面对"难量化"的模型掉点，更重要的是定位量化误差的来源（后端图融合？算子联合定点？激活值或者weight异常值等），否则无脑qat的话，效果可能不尽如人意。ppq花了很多时间在图融合，联合定点的量化模拟，希望对你有帮助。

非常感谢您的回复，我后面仔细学习了解下该项目。