1.理论简介在阅读本文之前，希望大家对PTQ（Post-TrainingQuantization）训练后量化有一定的了解～地平线OpenExplorer和NVIDIATensorRT是两家公司为适配自己的硬件而开发的算法工具链，它们各自具有独特的特点和优势。分开看的时候，网上有很多资料，但却没找到将他们放在一起对比

文章目录TensorRT量化模型分析一背景二准备工作1.代码准备2.依赖环境三分析过程1.导出模型2.模型形态比对3.转tensorrt序列化文件4.tensorrt序列化文件（即tensorrt模型）分析四其他TIPSTensorRT量化模型分析一背景​在TensorRT模型量化

01 概论：PTQ基础目前在GPU上训练的模型大部分都是浮点模型，即参数使用的是float类型存储。而地平线BPU架构的计算平台使用的是int8的计算精度（业内计算平台的通用精度），能运行定点量化模型。地平线征程6算法工具链（以下简称工具链）作为专业量化工具，是一套完整的边缘计算平

这一文档介绍些基础概念吧，权当做一个阶段整理，后面也会慢慢完善。1.量化分类：根据谷歌量化白皮书中定义，分为PTQ和QAT两种，而PTQ又包括两种。3种量化方式：QAT,PTQDynamic,PTQStatic。1）量化感知训练(QuantAwareTraining,QAT)：量化训练让模型感知量化运算对模型精度带来的