4.2.5.1. 相比社区 QAT 接口使用异同

4.2.5.1.1. 算子融合函数

	torch	Plugin
torch.quantization.fuse_modules	调用该接口	调用该接口
上述接口的 fuser_func 参数设置	使用社区内部接口	horizon_plugin_pytorch.quantization.fuse_known_modules

如上表所示，社区和 Plugin 在融合算子时，均需调用 torch.quantization.fuse_modules 接口：

fuse_modules(model, modules_to_fuse, inplace=False, fuser_func=_fuse_known_modules, fuse_custom_config_dict=None)

不同点是使用 Plugin 进行量化训练，需将 horizon_plugin_pytorch.quantization.fuse_known_modules 接口作为参数对上述接口中的 fuser_func 进行赋值来使用 Plugin 所定义的算子融合规则。

4.2.5.1.2. QConfig 参数设置

	torch	Plugin
torch.quantization.QConfig	调用该接口	调用该接口
QConfig 成员变量：activation	社区提供参数	horizon_plugin_pytorch.quantization.default_8bit_fake_quant
QConfig 成员变量：weight	社区提供参数	horizon_plugin_pytorch.quantization.default_weight_8bit_fake_quant

如上表所示，在设置模型的 qconfig 时，社区和 Plugin 均使用 torch.qconfig.QConfig. 但是 Plugin 自定义了 QConfig 在初始化时需要的对输出或是权值进行量化的参数。

Plugin 也提供了两个接口用于获取常用的 QConfig：

horizon_plugin_pytorch.quantization.get_default_qat_qconfig(bits=8, backend="")
horizon_plugin_pytorch.quantization.get_default_qat_out_qconfig(bits=8, backend="")

用户可以直接通过上述接口获取相应的 QConfig。

4.2.5.1.3. 不同阶段间模型转换

Plugin 提供了 horizon_plugin_pytorch.quantization.prepare_qat 实现浮点模型向 QAT 模型的转换，提供了 horizon_plugin_pytorch.quantization.convert 实现 QAT 模型向定点预测阶段模型转换。