深度学习框架中，如何量化感知训练并应用OneFlow优化方案？

本文共计6530个文字，预计阅读时间需要27分钟。

【GiantPandaCV导语】本文分享的是作者最近在OneFlow上完成的一个项目，将Pytorch+FX移植到OneFlow后，实现了自动量感化感知训练动态图模型（在Pytorch和OneFlow中都称为nn.Module）。现在用户可以在中体验。

这篇文章分享的是笔者最近在OneFlow做的一个项目，将Pytorch FX移植到OneFlow之后实现了自动量化感知训练动态图模型(在Pytorch和OneFlow中都称为nn.Module)。现在用户可以在自己构建的​​nn.Module​​​基础上，修改很少的代码即可完成从​​nn.Module​​​量化感知训练到用TensorRT将量化感知训练后的模型部署到GPU上运行的完整链路。在TensorRT上推理是利用了ONNX作为中间表示，即Oneflow动态图模型(​​nn.Module​​​)->OneFlow量化感知训练模型(​​nn.Module​​​)->OneFlow静态图(​​nn.Graph​​)->ONNX->TensorRT。量化感知训练是基于支持在Eager下写Pass的FX模块（FX被Pytorch率先提出，笔者将其基础设施移植到了OneFlow）来完成的。读者如果想体验这个功能可以按照本文的方法进行操作，有任何使用上的问题可以联系笔者。

0x0. 总览

好久不见，大家国庆快乐！

相信不少小伙伴都了解或者使用了一些深度学习框架比如Pytorch，TensorFlow，OneFlow（也是笔者目前正在参与开发的）。