[Cherry-Pick] Update Analysis (#1481)

example/post_training_quantization/detection/README.md

@@ -130,7 +130,7 @@ python eval.py --config_path=./configs/ppyoloe_s_ptq.yaml
 - 要测试的模型路径可以在配置文件中`model_dir`字段下进行修改。
 
 #### 3.6 提高离线量化精度
-本节介绍如何使用量化分析工具提升离线量化精度。离线量化功能仅需使用少量数据，且使用简单、能快速得到量化模型，但往往会造成较大的精度损失。PaddleSlim提供量化分析工具，会使用接口```paddleslim.quant.AnalysisQuant```，可视化展示出不适合量化的层，通过跳过这些层，提高离线量化模型精度。```paddleslim.quant.AnalysisQuant```详解见[AnalysisQuant.md](../../../../docs/zh_cn/tutorials/quant/AnalysisQuant.md)。
+本节介绍如何使用量化分析工具提升离线量化精度。离线量化功能仅需使用少量数据，且使用简单、能快速得到量化模型，但往往会造成较大的精度损失。PaddleSlim提供量化分析工具，会使用接口```paddleslim.quant.AnalysisQuant```，可视化展示出不适合量化的层，通过跳过这些层，提高离线量化模型精度。```paddleslim.quant.AnalysisQuant```详解见[AnalysisQuant.md](../../../docs/zh_cn/tutorials/quant/AnalysisQuant.md)。
 
 
 经过多个实验，包括尝试多种激活算法（avg，KL等）、weight的量化方式（abs_max，channel_wise_abs_max），对PicoDet-s进行离线量化后精度均为0，以PicoDet-s为例，量化分析工具具体使用方法如下：
@@ -162,11 +162,11 @@ python post_quant.py --config_path=./configs/picodet_s_analyzed_ptq.yaml --save_
 **加速分析过程**
 
 使用量化分析工具时，因需要逐层量化模型并进行验证，因此过程可能较慢，若想加速分析过程，可以在配置文件中设置 `FastEvalDataset` ，输入一个图片数量较少的annotation文件路径。注意，用少量数据验证的模型精度不一定等于全量数据验证的模型精度，若只需分析时获得不同层量化效果的相对排序，可以使用少量数据集；若要求准确精度，请使用全量验证数据集。如需要全量验证数据，将 `FastEvalDataset` 字段删掉即可。
+若需要少量验证数据集来快速验证，可下载：[单张COCO验证数据集](https://bj.bcebos.com/v1/paddle-slim-models/data/small_instances_val2017.json)。
 
 注：分析之后若需要直接产出符合目标精度的量化模型，demo代码不会使用少量数据集验证，会自动使用全量验证数据。
 
 
-量化分析工具详细介绍见[量化分析工具介绍](../analysis.md)
 
 ## 4.预测部署
 预测部署可参考[Detection模型自动压缩示例](https://github.com/PaddlePaddle/PaddleSlim/tree/develop/example/auto_compression/detection)

example/post_training_quantization/pytorch_yolo_series/README.md

@@ -116,7 +116,7 @@ python eval.py --config_path=./configs/yolov5s_ptq.yaml
 
 
 #### 3.6 提高离线量化精度
-本节介绍如何使用量化分析工具提升离线量化精度。离线量化功能仅需使用少量数据，且使用简单、能快速得到量化模型，但往往会造成较大的精度损失。PaddleSlim提供量化分析工具，会使用接口```paddleslim.quant.AnalysisQuant```，可视化展示出不适合量化的层，通过跳过这些层，提高离线量化模型精度。```paddleslim.quant.AnalysisQuant```详解见[AnalysisQuant.md](../../../../docs/zh_cn/tutorials/quant/AnalysisQuant.md)。
+本节介绍如何使用量化分析工具提升离线量化精度。离线量化功能仅需使用少量数据，且使用简单、能快速得到量化模型，但往往会造成较大的精度损失。PaddleSlim提供量化分析工具，会使用接口```paddleslim.quant.AnalysisQuant```，可视化展示出不适合量化的层，通过跳过这些层，提高离线量化模型精度。```paddleslim.quant.AnalysisQuant```详解见[AnalysisQuant.md](../../../docs/zh_cn/tutorials/quant/AnalysisQuant.md)。
 
 由于YOLOv6离线量化效果较差，以YOLOv6为例，量化分析工具具体使用方法如下：
 
@@ -153,10 +153,10 @@ python post_quant.py --config_path=./configs/yolov6s_analyzed_ptq.yaml --save_di
 **加速分析过程**
 
 使用量化分析工具时，因需要逐层量化模型并进行验证，因此过程可能较慢，若想加速分析过程，可以在配置文件中设置 `fast_val_anno_path` ，输入一个图片数量较少的annotation文件路径。注意，用少量数据验证的模型精度不一定等于全量数据验证的模型精度，若只需分析时获得不同层量化效果的相对排序，可以使用少量数据集；若要求准确精度，请使用全量验证数据集。如需要全量验证数据，将 `fast_val_anno_path` 设置为None即可。
+若需要少量验证数据集来快速验证，可下载：[单张COCO验证数据集](https://bj.bcebos.com/v1/paddle-slim-models/data/small_instances_val2017.json)。
 
 注：分析之后若需要直接产出符合目标精度的量化模型，demo代码不会使用少量数据集验证，会自动使用全量验证数据。
 
-量化分析工具详细介绍见[量化分析工具介绍](../analysis.md)
 
 ## 4.预测部署
 预测部署可参考[YOLO系列模型自动压缩示例](https://github.com/PaddlePaddle/PaddleSlim/tree/develop/example/auto_compression/pytorch_yolo_series)

paddleslim/quant/analysis.py

@@ -86,8 +86,6 @@ class AnalysisQuant(object):
             'is_full_quantize'] if 'is_full_quantize' in ptq_config else False
         self.onnx_format = ptq_config[
             'onnx_format'] if 'onnx_format' in ptq_config else False
-        if 'algo' not in ptq_config:
-            ptq_config['algo'] = 'avg'
 
         if not os.path.exists(self.save_dir):
             os.mkdir(self.save_dir)
@@ -112,7 +110,7 @@ class AnalysisQuant(object):
         self.data_loader = wrap_dataloader(data_loader, self.feed_list)
 
         # quant model to get quantizable ops 
-        post_training_quantization = self.create_ptq(executor, None, 'avg')
+        post_training_quantization = self.create_ptq(executor, None)
 
         _logger.info('Run PTQ before analysis.')
         program = post_training_quantization.quantize()
@@ -170,7 +168,7 @@ class AnalysisQuant(object):
                 writer.writerow(d)
         _logger.info('Activation Statistic is saved in {}'.format(save_path))
 
-    def create_ptq(self, executor, skip_tensor_list, algo):
+    def create_ptq(self, executor, skip_tensor_list):
         return PostTrainingQuantization(
             executor=executor,
             data_loader=self.data_loader,
@@ -178,7 +176,6 @@ class AnalysisQuant(object):
             model_filename=self.model_filename,
             params_filename=self.params_filename,
             skip_tensor_list=skip_tensor_list,
-            algo=algo,  # avg fastest
             onnx_format=self.onnx_format,
             **self.ptq_config)
 
@@ -196,8 +193,7 @@ class AnalysisQuant(object):
 
     def eval_quant_model(self, skip_list):
         executor = paddle.static.Executor(self.places)
-        post_training_quantization = self.create_ptq(
-            executor, skip_list, algo='avg')
+        post_training_quantization = self.create_ptq(executor, skip_list)
         program = post_training_quantization.quantize()
         _logger.info('Evaluating...')
         if self.onnx_format:
@@ -313,7 +309,7 @@ class AnalysisQuant(object):
         _logger.info('Collecting Statistic After PTQ...')
         executor = paddle.static.Executor(self.places)
         scope = global_scope()
-        post_training_quantization = self.create_ptq(executor, None, algo='avg')
+        post_training_quantization = self.create_ptq(executor, None)
         program = post_training_quantization.quantize()
 
         persistable_var_names = []
@@ -538,11 +534,7 @@ class AnalysisQuant(object):
             skip_list.append(rank_list.pop(0))
             _logger.info('Skip Ops: {}'.format(skip_list))
             executor = paddle.static.Executor(self.places)
-            post_training_quantization = self.create_ptq(
-                executor,
-                skip_list,
-                algo=self.ptq_config['algo']
-                if 'algo' in self.ptq_config else 'KL')
+            post_training_quantization = self.create_ptq(executor, skip_list)
             program = post_training_quantization.quantize()
 
             _logger.info('Evaluating...')