6.1.1.1. 简介

HAT (Horizon Algorithm Toolkit) 是基于 Pytorch 和 Pytorch plugin 的接口开发的AI算法工具，旨在为地平线 BPU 提供高效且用户友好的 AI 算法工具包。

HAT 所依赖的 PyTorch 是一个针对深度学习, 并且使用 GPU 和 CPU 来优化的 tensor library (张量库)，是目前最受欢迎的深度学习框架之一。而 Pytorch plugin 是基于 Pytorch 开发的一套量化算法工具，专注于与芯片相贴近的量化功能实现，其量化算法与地平线芯片深度耦合，利用该工具训练得到的量化模型均可以正常编译和运行在地平线 BPU（BERNOULLI/BAYES）上。

HAT作为地平线开发的算法包基础框架，面向所有的算法用户开发和研究的用户，其量化训练与地平线芯片紧密相关，包含了 浮点训练 –> QAT 训练 –> 定点转化预测 –> 模型检查编译(针对地平线 BPU) –> 上板精度仿真验证 的整套流程。同时它还可以提供包含分类，检测，分割等常见的图像任务的SOTA(state-of-the-art)深度学习模型。

6.1.1.1.1. 特性

• 基于 Pytorch 和 horizon_plugin_pytorch

• 包含从浮点训练到上板精度仿真验证的整套流程

• 包含分类、检测、分割等常见图像任务的 SOTA 模型，且所有示例都与地平线 BPU 兼容

6.1.1.1.2. 示例模型

HAT 目前已包含以下深度学习模型。

分类模型

• [x] MobileNet (V1 and V2)

• [x] ResNet (18 and 50)

• [x] EfficientNet

• [x] VargNet_V2

• [x] SwinTransformer

检测模型

• [x] RetinaNet

• [x] YOLOv3

• [x] FCOS

• [x] PointPillar

分割模型

• [x] UNet

• [x] DeepLabV3

• [x] FastSCNN

光流模型

• [x] PWCNet