这里写自定义目录标题

• 模型调试记录
• • 1.base_base_o
  • 2.base_base_set_o
  • 3.base_qat_o
  • 4.base_qat_set_o
  • 5.qat_base_o
  • 6.qat_base_set_o
  • 7.qat_qat_o
  • 8.qat_qat_set_o
• 结论

模型调试记录

1.base_base_o

不使用slim策略训练，不使用slim策略导出的最普通模型，耗时是3500ms。

2.base_base_set_o

在1的条件下追加了PaddleLite的Opt工具进行8bit优化，耗时几乎没变化。

3.base_qat_o

不使用Slim策略训练，使用8bit量化导出模型，耗时减少了一半。
没有正确识别目标。

4.base_qat_set_o

在3的条件下追加opt，耗时几乎没变化。
没有正确识别目标。

5.qat_base_o

使用8bitQAT进行训练，但是不使用Slim策略导出模型，耗时回到了3500ms。
没有正确识别目标。

6.qat_base_set_o

没什么可说的，同上。

7.qat_qat_o

使用8bitQAT量化训练，使用8bit量化导出模型，耗时同3比未见减少。

8.qat_qat_set_o

同上

结论

1.只有在训练时的Slim策略与模型导出时的Slim策略相同时，得到的模型才可以得到正确的结果。
2.无论是在模型导出环节还是在Opt环节中加入8bit量化，都会使模型变小，但模型的大小并不能决定预测的速度。
3.被我们寄予厚望的Opt工具效果甚微，甚至是没有效果，也有可能是使用方法出了问题。