TensorFlow 2.x - 3.5 简体中文

vitis_vai.quantize(
input_float, 
quantize_strategy = 'pof2s', 
custom_quantize_strategy = None,
calib_dataset = None, 
calib_steps = None, 
calib_batch_size = None, 
save_path = './vai_wego/quantized.h5', 
verbose = 0, 
add_shape_info = False, 
dump = False, 
dump_output_dir = './vai_dump/') 

input_float

要量化的 tf.keras.Model 浮点对象。

quantize_strategy

表示量化策略类型的字符串对象。可用值包括：pof2s、pof2s_tqt、fs 和 fsx。pof2s 是默认策略，使用 2 的幂值比例量化器和 Straight-Through-Estimator（直通式估算器）。pof2s_tqt 是 Vitis AI 1.4 中引入的策略，使用 2 的幂值比例量化器中经过训练的阈值，可生成更好的 QAT 结果。fs 是 Vitis AI 2.5 中引入的量化策略，它为 Conv2D、DepthwiseConv2D、Conv2DTranspose 和 Dense 层的输入和权重执行浮点比例量化。另一方面，相比于 fs 量化策略，fsx 能将量化策略扩展到更多类型的层，包括 Add、MaxPooling2D 和 AveragePooling2D，并且还在量化中引入了偏差和激活。

注释：

• pof2s_tqt 只能用于 init_quant=True 的 QAT，以获得最佳性能。
• fs 和 fsx 策略是专为具有浮点支持的目标器件设计的。DPU 当前不支持浮点，因此以这些量化策略进行量化的模型无法部署到 DPU。

custom_quantize_strategy

string 对象。表示定制量化策略 JSON 文件的文件路径。

calib_dataset

tf.data.Dataset、keras.utils.Sequence 或 np.numpy 对象。用于校准的代表性数据集。您可以将 eval_dataset、train_dataset 或其他数据集整体或其中一部分用作 calib_dataset。

calib_steps

int 对象。表示校准步骤总数。可忽略，默认值为 None。如果 calib_dataset 是 tf.data 数据集、生成器或 keras.utils.Sequence 实例且 steps 为 None，校准会运行到数据集耗尽为止。阵列输入不支持此实参。

calib_batch_size

int 对象。表示用于校准的每批次样本数。如果 calib_dataset 为数据集、生成器或 keras.utils.Sequence 实例形式，则批次大小由数据集本身控制。如果 calib_dataset 采用 numpy.array 对象形式，那么默认批次大小设为 32。

save_path

string 对象。量化模型的保存目录。

verbose

int 对象。表示日志记录的详细程度。详细程度值越大，生成的 log 日志记录越详细。默认值为 0。

add_shape_info

bool 对象。用于判定是否要为定制层添加形状推断信息。对于含有定制层的模型，其值必须设为 True。

dump

用于启用或禁用转储的标志。如果 dump=False，则禁用转储，如果 dump=True，则启用转储。

dump_output_dir

string 对象。表示转储结果的保存目录。