当然，区块链只是元宇宙概念涵盖的众多技术之一。元宇宙是由虚拟现实、增强现实和互联网相结合创造的沉浸式数字世界。元宇宙的内涵及关键技术要求进一步打破时空限制（5G和物联网），真实沉浸感（VR），价值的传递（Web 3.0、区块链）。此前，IDC还绘制了元宇宙涵盖的技术概念。
执行quantize.py，进行量化
整个量化过程：
设置量化参数-->载入数据-->执行量化（如果要看结果，则定制一个executor）-->导出所有层量化结果-->分析量化误差（总误差，每层误差）-->导出量化权重文件
量化文件最后在working/quantized.onnx
注意：该代码输入输出格式都是onnx，但是输出platfor和calibration方法与B站教程不同，该输出模型包含了量化-反量化节点，可以用onnxruntime测试AP
"""
这是一个PPQ量化的入口脚本，将你的模型和数据按要求进行打包：
This file will show you how to quantize your network with PPQ
You should prepare your model and calibration dataset as follow:
~/working/model.onnx<--your model
~/working/data/.npy or~/working/data/.bin<--your dataset
if you are using caffe model:
~/working/model.caffemdoel<--your model
~/working/model.prototext<--your model
###MAKE SURE YOUR INPUT LAYOUT IS[N,C,H,W]or[C,H,W]###
quantized model will be generated at:~/working/quantized.onnx
"""
from ppq import*
from ppq.api import*
import os
#modify configuration below:
WORKING_DIRECTORY='working'#choose your working directory
TARGET_PLATFORM=TargetPlatform.PPL_CUDA_INT8#choose your target platform
MODEL_TYPE=NetworkFramework.ONNX#or NetworkFramework.CAFFE
INPUT_LAYOUT='chw'#input data layout,chw or hwc
NETWORK_INPUTSHAPE=[1,3,224,224]#input shape of your network
CALIBRATION_BATCHSIZE=16#batchsize of calibration dataset
EXECUTING_DEVICE='cuda'#'cuda'or'cpu'.
REQUIRE_ANALYSE=False
DUMP_RESULT=False#是否需要Finetuning一下你的网络
#SETTING对象用于控制PPQ的量化逻辑
#当你的网络量化误差过高时，你需要修改SETTING对象中的参数进行特定的优化
platform=TARGET_PLATFORM,finetune_steps=2500,
finetune_lr=1e-3,calibration='kl',#【改】量化算法可选'kl','pecentile','mse'
equalization=True,non_quantable_op=None)
SETTING=SETTING.convert_to_daddy_setting()
print('正准备量化你的网络，检查下列设置:')
print(f'WORKING DIRECTORY:{WORKING_DIRECTORY}')
print(f'TARGET PLATFORM:{TARGET_PLATFORM.name}')
print(f'NETWORK INPUTSHAPE:{NETWORK_INPUTSHAPE}')
print(f'CALIBRATION BATCHSIZE:{CALIBRATION_BATCHSIZE}')
#------------------------------------------------------------------------------
#此脚本针对单输入模型，输入数据必须是图像数据layout:[n,c,h,w]
#如果你的模型具有更复杂的输入格式，你可以重写下面的load_calibration_dataset函数
#请注意，任何可遍历对象都可以作为PPQ的数据集作为输入
#------------------------------------------------------------------------------
dataloader=load_calibration_dataset(
directory=WORKING_DIRECTORY,
input_shape=NETWORK_INPUTSHAPE,
batchsize=CALIBRATION_BATCHSIZE,
input_format=INPUT_LAYOUT)
print('网络正量化中，根据你的量化配置，这将需要一段时间:')
quantized=quantize(
working_directory=WORKING_DIRECTORY,setting=SETTING,
model_type=MODEL_TYPE,executing_device=EXECUTING_DEVICE,
input_shape=NETWORK_INPUTSHAPE,target_platform=TARGET_PLATFORM,
dataloader=dataloader,calib_steps=32)
#------------------------------------------------------------------------------
#如果你需要执行量化后的神经网络并得到结果，则需要创建一个executor
#这个executor的行为和torch.Module是类似的，你可以利用这个东西来获取执行结果
#请注意必须在executor之前执行此操作
#------------------------------------------------------------------------------
executor=TorchExecutor(graph=quantized)
#output=executor.forword(input)
#------------------------------------------------------------------------------
#导出PPQ执行网络的所有中间结果，该功能是为了和硬件对比结果
#中间结果可能十分庞大，因此PPQ将使用线性同余发射器从执行结果中采样
#对了对比中间结果，硬件执行结果也必须使用同样的随机数种子采样
#查阅ppq.util.fetch中的相关代码以进一步了解此内容
#查阅ppq.api.fsys中的dump_internal_results函数以确定采样逻辑
#------------------------------------------------------------------------------
if DUMP_RESULT:
dump_internal_results(
graph=quantized,dataloader=dataloader,
dump_dir=WORKING_DIRECTORY,executing_device=EXECUTING_DEVICE)
#-------------------------------------------------------------------
#PPQ计算量化误差时，使用信噪比的倒数作为指标，即噪声能量/信号能量
#量化误差0.1表示在整体信号中，量化噪声的能量约为10%
#你应当注意，在graphwise_error_analyse分析中，我们衡量的是累计误差
#网络的最后一层往往都具有较大的累计误差，这些误差是其前面的所有层所共同造成的
#你需要使用layerwise_error_analyse逐层分析误差的来源
#-------------------------------------------------------------------
print('正计算网络量化误差(SNR)，最后一层的误差应小于0.1以保证量化精度:')
reports=graphwise_error_analyse(
graph=quantized,running_device=EXECUTING_DEVICE,steps=32,
dataloader=dataloader,collate_fn=lambda x:x.to(EXECUTING_DEVICE))
for op,snr in reports.items():
if snr>0.1:ppq_warning(f'层{op}的累计量化误差显著，请考虑进行优化')
if REQUIRE_ANALYSE:
print('正计算逐层量化误差(SNR)，每一层的独立量化误差应小于0.1以保证量化精度:')
layerwise_error_analyse(graph=quantized,running_device=EXECUTING_DEVICE,
interested_outputs=None,
dataloader=dataloader,collate_fn=lambda x:x.to(EXECUTING_DEVICE))
print('网络量化结束，正在生成目标文件:')
export_ppq_graph(
graph=quantized,platform=TargetPlatform.ONNXRUNTIME,
graph_save_to=os.path.join(WORKING_DIRECTORY,'quantized.onnx'),
config_save_to=os.path.join(WORKING_DIRECTORY,'quant_cfg.json'),
quantized_param=True)#【改】platform：保证输出onnxruntime格式带量化和反量化节点；
#quantized_param：确保param储存int8格式，规避onnxruntime无法量化
