Some questions about quantization

[Desmond-97]

您好，我在量化RepVGG到INT8时遇到一些问题：
完全按照您在README中提到的量化流程，先插入BN后QAT量化，掉点非常严重。以大模型（b3g4）为例，在ImageNet分类任务上量化后仅有20左右的accuracy。
但假如将https://github.com/DingXiaoH/RepVGG/blob/ce669bad170bf5d7c2a9eb060e90f39e7e109130/quantization/repvgg_quantized.py#L50代码修改为：` torch.quantization.fuse_modules(m, ['conv'], inplace=True)`
可以直接运行QAT量化，则掉点只有2.7%，调参后掉点大约1.7%。（参数为epochs=20 batch_size:与训练时bs保持一致 lr=1e-3 weight_decay=55e-6）
但对于分类任务而言量化后掉点也有点多，不知道这样做是否正确？请问您有其他量化方法的见解吗？

[twmht]

@Desmond-97

有任何進展嗎

[Desmond-97]

@twmht
我后来尝试直接用PTQ量化效果会好很多，TensorRT实现PTQ量化，用交叉熵做校准loss，RepVGG_A0模型在ImageNet分类任务上掉点仅0.16%。
我后来思考QAT量化掉点多的原因可能是：在QAT阶段用的模型是融合后的单分支推理模型，用这个模型进行QAT的finetune会使得模型退化，类似VGG的精度。但我并没有尝试用训练阶段模型进行QAT量化。

[blueardour]

@Desmond-97

你这边尝试的结论是否是：
对于QAT量化，以RepVGG方式训练的全精度模型初始化，fintune融合后的单分支模型，效果非常差。但是对于这个融合后的单分支模型，直接用PTQ算法，量化精度几乎没损失？

也就是说RepVGG训练出来的模型不适合QAT的量化，只要用PTQ就行了～～

[twmht]

可以試試把 repvgg 的模型弄得更小一點，看做 PTQ 精度會不會掉?

[Desmond-97]

@blueardour

是的 但我的实验不够完备，可以在实践的时候再尝试一下~

[hobbitlzy]

@Desmond-97 请问你在做PTQ的时候有再用insert_bn吗？我发现直接convert后的单路repvgg的网络参数范围比较大，导致量化误差也大。

[twmht]

@hobbitlzy

你 PTQ 用 TensorRT 的還是哪個 framework?

[hobbitlzy]

我是用的有一篇工作BRECQ里边的PTQ。用的fake quantization。

[Desmond-97]

@hobbitlzy 没有用insert_bn。