How to Perform Static Quantization Directly on an ONNX Model Using Intel® Neural Compressor?

Abierto
#2,488 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
5/5
Tiempo estimado
Más de una semana
Aptitud para principiantes
20/100
Tipo de issue
Documentación
Claridad
Necesita aclaración
Estado de actividad
Estancado
Stack tecnológico
python, pytorch
Área
documentation, machine-learning

Línea de trabajo

Comienza con el ejemplo enlazado quantize_with_inc.ipynb e inspecciona cómo guarda el modelo PyTorch cuantizado. Verifica si se admite la ruta de entrada/salida de ONNX solicitada y si este ejemplo debería incluir un ejemplo de exportación. Se considera terminado cuando haya una respuesta o un ejemplo claro y reproducible que cubra la cuantización directa de ONNX y la ruta de exportación alternativa.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

question

Hello,

I'm using Intel® Neural Compressor (INC) to perform static quantization on my custom PyTorch model. I followed this script which demonstrates how to apply static quantization using INC on a PyTorch model.

My goal is to obtain the final quantized model in ONNX format. However, after quantization, saving the q_model results in a .pt file (PyTorch format). I also found that exporting quantized PyTorch models to ONNX is problematic due to limited support and compatibility issues, especially with static quantization.

My Question:

Is there a way to perform static quantization directly on an ONNX model using Intel® Neural Compressor to produce a quantized ONNX model as the output?
Alternatively, is there a specific method to export the statically quantized PyTorch model to ONNX format while addressing the compatibility issues?
Any guidance or examples on how to achieve this would be greatly appreciated.

Thank you!

Lenguaje dominante
C++
Estrellas
1.2k
Forks
745
Sin PR fusionados en 30 d

Guía de contribución

Abrir la guía de contribución

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de oneapi-src/oneAPI-samples

Todos los issues de oneapi-src/oneAPI-samples

Issues similares

Más issues de C++

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.