int8-weight-export
/int8-weight-export
Kwantyzuje wagi modelu LPRNet z CBAM do INT8 i eksportuje pliki .mem oraz .coe do wczytania w FPGA wraz z wektorami testowymi.
- Autor
- yinsanbian ↗
- Repozytorium
- pango-fpga-soc-heterogeneous-adas ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 11.11.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 1
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 11.11.2026, bez odwołań do wycofanych modeli i API.
MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.
Co robi i kiedy
Kwantyzuje wagi modelu LPRNet z CBAM do INT8 i eksportuje pliki .mem oraz .coe do wczytania w FPGA wraz z wektorami testowymi.
Oryginalny opis (EN)
把训练好的 LPRNet+CBAM 权重做 INT8 量化,导出 FPGA 可 $readmemh 加载的 .mem/.coe,并产出逐层中间结果固定测试向量。在模型量化与权重导出阶段(AI-03)使用。
Jak działa
- 何时用
- ⚠️ 本机环境现状
- 目标产物
- 量化流程
- .mem 导出格式
- 验收
Podgląd SKILL.md
---
name: int8-weight-export
description: 把训练好的 LPRNet+CBAM 权重做 INT8 量化,导出 FPGA 可 $readmemh 加载的 .mem/.coe,并产出逐层中间结果固定测试向量。在模型量化与权重导出阶段(AI-03)使用。
---
# INT8 量化与权重导出
服务于 `docs/04-工作流程.md` §3.1 第②步(目标 ID:**AI-03**,被 M5 门禁实际视为 P0)。
## 何时用
- PyTorch 模型已训练收敛(AI-01)之后
- 需要给 CBAM/CNN 加速器(AI-04/05/06)提供权重与逐层比对基准
## ⚠️ 本机环境现状
**当前未安装 `torch` / `torchvision` / `onnx`**。
训练与量化需先安装(`pip install torch torchvision`),或在有 GPU 的机器上做。**本 skill 的导出/校验部分(numpy)在本机可直接跑。**
## 目标产物
| 产物 | 路径 | 用途 |
|---|---|---|
| 量化权重 | `gen/weights/<layer>.mem` | `$readmemh` 加载 |
| 量化偏置 | `gen/weights/<layer>_bias.mem` | 同上 |
| 逐层测试向量 | `sim/vectors/<layer>_in.mem` | 硬件逐层比对 |
| 逐层期望输出 | `sim/golden/<layer>_out.mem` | 同上 |
| 量化精度报告 | `reports/quant_accuracy.md` | 证明精度损失 < 2% |
## 量化流程
```
① 逐层权重统计 min/max → 确定 scale(per-tensor 起步,够用再上 per-channel)
② W_q = round(W / scale) 截断到 int8 [-128,127]
③ 校准集前向(500~1000 张夜间+白天样本)→ 激活 scale
④ 逐层导出 + 记录 (layer, scale, zero_point) 到 gen/weights/manifest.json ★关键
⑤ 量化后模型在测试集评估 → 精度损失必须 < 2%
```
> 🔑 **`manifest.json` 是 RTL 定点参数的唯一真源**。
> Verilog 里做乘加后的移位量必须从这里取,**禁止在 RTL 里硬编码另一套 scale**。
## `.mem` 导出格式
```python
# int8 权重:按 int8 的补码十六进制输出
def dump_mem(path, arr_int8):
with open(path, "w") as f:
for v in arr_int8.flatten():
f.write(f"{int(v) & 0xFF:02x}\n")
```
- 卷积权重**排列顺序必须与 RTL 的读取顺序一致**(建议 [out_ch][in_ch][kh][kw]),**在模块头注释里写死并同步**。
- CBAM 通道注意力的 FC 权重同样按此导出(AI-04)。
- 空间注意力的 7×7 卷积核用小尺寸,可直接内联为常数,不必走 .mem。
## 验收
- [ ] `$readmemh` 在仿真中能正确加载(无 X、无截断警告)
- [ ] 量化后测试集精度损失 **< 2%**
- [ ] 逐层比对 mismatch = 0
- [ ] `manifest.json` 与 RTL 参数一致性人工核对过一遍
Wersje
W bazie nie ma innych skilli o nazwie int8-weight-export.
Migawka bazy z 13.11.2026 · wersja paczki 733b09e6b9cf (skrót SHA-256 całej paczki)
Pobrania w ostatnich 30 dniach: 0 · ranking
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 100mem-search
Przeszukuje pamięć Claude-Mem (cmem.ai) użytkownika, by odtworzyć kontekst z poprzednich sesji o projekcie, decyzji, pliku lub zadaniu. - 85how-it-works
Wyjaśnia, jak claude-mem zapisuje obserwacje, kiedy wstrzykuje pamięć i gdzie przechowuje dane. - 85how-it-works
Wyjaśnia, jak claude-mem zbiera obserwacje, kiedy wstrzykuje pamięć i gdzie przechowuje dane. - 100mem-search
Przeszukuje trwałą, międzysesyjną bazę pamięci claude-mem, gdy trzeba sprawdzić, czy problem był już rozwiązany lub jak coś zrobiono poprzednio.