基于公版模型训练，没有对模型做范围做约束，weight_decay=1e-6， 训练出的 float 模型数值分布很大，如图 2，可以看到模型的后面几层数据分布范围很广，最大阈值超过了 8000，对我们量化来说并不友好。

如图 2，基于全 int16 算子配置量化，当前版本 resize 算子有约束（请查阅工具链算子支持情况），只能支持 int8 量化，即使配置了 int16，但算子依旧退化到 int8，因此算子的 cosine 相似度也比较低，基于此阈值，max_qscale=6653/127=52.385，此 scale 过于大，并不能精细化量化模型，所以全 BPU 算子的整体精度都不高。

图 1 公版训练 float 模型

resize 算子有限制，但对于回退 cpu 算子，就能实现 float 精度推理，配置如图 2，

图 2 配置 cpu 算子

配置了算子后，精度提升了，如图 3，可视化效果对比如图 4，整体量化精度可对齐，定位到了具体问题就是 resize 算子限制导致。

图 3 cpu 算子精度

图 4 cpu 算子可视化精度

在最后的 conv 层后加上 bn 算子限制特征数据分布，同时 weight_decay 从 1e-6 调整到 1e-3，整体数据范围如图 5、图 6，模型的数据分布变小了，最后的 cosine 相似度精度也很高，非常利于 int8 量化，后期配置了 int8 量化，模型也可实现高精度量化。

图 5 全 int16 量化

图 6 部分 int16 量化