DPU 量化使用 2 的幂值比例、对称和逐张量量化器，且需特殊处理才能进行 DPU 行为仿真。但对于支持浮点比例的其他器件，则需要采用不同的量化策略，因此引入了浮点比例量化。
-
fs量化策略 - 对
Conv2D、DepthwiseConv2D、Conv2DTranspose和Dense层的输入和权重执行量化。默认不执行 Conv-BN 折叠。 -
fsx量化策略 - 相较于
fs量化策略，该策略能对更多类型的层执行量化，例如，Add、MaxPooling2D和AveragePooling2D。此外，量化进程会扩展至Conv2D、DepthwiseConv2D、Conv2DTranspose和Dense层的偏差和激活。它默认包含 Conv-BN 折叠。
注释：
您可在 fs 和 fsx 策略都是专为具有浮点支持的目标器件设计的。DPU 目前不支持浮点，因此以这些量化策略进行量化的模型无法部署到 DPU。VitisQuantizer 的构造函数中将 quantize_strategy 设为 fs 或 fsx 来切换为使用浮点比例量化。代码示例如下所示：model = tf.keras.models.load_model('float_model.h5')
from tensorflow_model_optimization.quantization.keras import vitis_quantize
quantizer = vitis_quantize.VitisQuantizer(model, quantize_strategy='fs')
quantized_model = quantizer.quantize_model(calib_dataset=calib_dataset,
calib_step=100,
calib_batch_size=10，
**kwargs)- calib_dataset
-
calib_dataset是用作校准的代表性校准数据集。您可将eval_dataset、train_dataset或其他数据集作为整体来使用，或者仅使用其中一部分。 - calib_steps
-
calib_steps表示校准步骤总数。其默认值为 None。如果calib_dataset为tf.data dataset、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
-
calib_batch_size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为numpy.array对象形式，那么默认批次大小为 32。 - **kwargs
-
**kwargs是用户定义的量化策略配置的词典。它支持用户改写默认内置量化策略。例如，设置 bias_bit=16 即可支持该工具使用 16 位量化器来量化所有偏差。如需了解有关用户定义的配置的更多信息，请参阅 vai_q_tensorflow2 用法 部分。