YOLOv5使用amct量化过程学习（未完自用）

BN融合

BN融合是指在深度学习模型训练过程中的一种常用技术，它可以帮助模型更快地收敛并提高模型的准确性。BN层通常被添加在卷积层或全连接层之后，对每一个batch的输入数据进行标准化处理，从而使模型训练时更加稳定。

同时，BN层也会引入一些浮点运算，增加模型的计算复杂度。因此，在对模型进行量化压缩时，昇腾模型压缩工具提供了一种优化方法，即BN融合。BN融合指的是将BN层与卷积层或全连接层合并为一个操作，从而在保持模型准确率的同时，减少对模型计算量和存储资源的需求，提高昇腾AI处理器的性能。

量化

量化是指对模型的权重（weight）和数据（activation）进行低比特处理，让最终生成的网络模型更加轻量化，从而达到节省网络模型存储空间、降低传输时延、提高计算效率，达到性能提升与优化的目标。

昇腾模型压缩工具将量化和模型转换分开，实现对模型中可量化层的独立量化，并将量化后的模型存为air模型。量化后的模型可以部署在昇腾AI处理器上运行，达到提升推理性能的目的。

保存与加载模型

模型保存

方式一

只存储模型中的参数，该方法速度快，占用空间少（官方推荐使用）

model = VGGNet()
torch.save(model.state_dict(), PATH)
方式二

存储整个模型

model = VGGNet()
torch.save(model, PATH)
模型加载

方式一

对应第一种保存方式，首先构架模型架