一、int8的输出和fp32模型输出差异比较大
解决方案：
- 检查前后处理是否有问题，int8网络输入输出一般需要做scale处理，看看是否遗漏？
- 通过量化可视化工具分析int8的输出和fp32的输出的精度差异，做个输出曲线对比；通过曲线查找出导致误差较大的层，通过更换该层的量化方式调整结果，找到最优量化方式，若仍然不能满足精度要求，则可将该层设置为float输出，不进行量化。
二、calibration_use_pb 指定校准参数注意事项
calibration_use_pb 这个工具和校准相关的参数:
-accuracy_opt
-per_channel
-th_method
问：
Q1：这三个参数是互斥的存在，还是可以组合使用？
A1：可以组合使用，accuracy_opt针对depthwise的卷积，如果没有depthwise可以不选，跟th_method不冲突
Q2：per_channel 这个参数指定成 true 之后，还需要其他的参数配合吗？ 比如: first_conv_enable_per_channel
A2：per_channel可以单独使用
Q3：th_method 这个参数可以同时指定多个吗? 比如同时指定：-th_method=SYMKL, -th_method=JSD
A3：th_method一次只能选一种
三、提高模型的量化效率和精度的方法
推荐策略是：
- 对于检测和分类模型，使用自动量化工具，量化成功后精度测试；
- 对于其他类模型，手动指定量化参数，量化成功后精度测试；
- 自动量化失败 或 精度不够的，反馈给我们的技术支持。
四、量化方法的常见问题
问：手动指定量化参数时，需要尝试18种量化方法的组合，并逐个测试精度。是否可以提供相关量化参数的说明及推荐使用方法？我们希望能根据模型结构缩小量化方法的搜索范围。
答：kl和symkl和jsd算法比较相似可能差别不大，bert一般用max。多数网络max表现一般，但是各种算法和网络结构和用户训练结果都有关系，所以先默认kl量化，下降多的话再尝试其他组合可能省些时间。
问：这些量化方法 对量化后模型的性能有影响吗？
答：几种门限算法对性能没影响，accuracyopt会把depthwise卷积用浮点，一般会变慢，perchannel也会变慢，这两个是为了提高精度。
