Przejdź do treści
Biblioteka skilli
AI i agenci · Konwersja i formaty

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.

Licencja
MIT
Ostatnia zmiana repozytorium
11.11.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 11.11.2026, bez odwołań do wycofanych modeli i API.

Licencja

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

  1. 何时用
  2. ⚠️ 本机环境现状
  3. 目标产物
  4. 量化流程
  5. .mem 导出格式
  6. 验收
Sekcje z nagłówków SKILL.md, w oryginale · 59 linii, 207 słów
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.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.