fix conflict (#1534)

example/auto_compression/README.md

@@ -98,7 +98,7 @@ ACT相比传统的模型压缩方法，
 
   ```shell
   # CPU
-  pip install paddlepaddle==2.4rc0 
+  pip install paddlepaddle==2.4rc0
   # GPU 以CUDA11.2为例
   python -m pip install paddlepaddle_gpu==2.4rc0 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html
   ```
@@ -124,6 +124,8 @@ tar -xf ILSVRC2012_data_demo.tar.gz
 
 - **2.运行自动化压缩**
 
+由于目前离线量化超参搜索仅支持Linux系统，以下默认示例需在Linux环境中测试。如果想要在Windows环境中测试，可以使用代码中Windows环境的config，由于Windows环境中配置的压缩策略为量化训练，所以需要全量数据集，否则会有一定的精度下降。
+
 ```python
 # 导入依赖包
 import paddle
@@ -162,7 +164,8 @@ ac = AutoCompression(
     model_filename="inference.pdmodel",
     params_filename="inference.pdiparams",
     save_dir="MobileNetV1_quant",
-    config={'Quantization': {}, "HyperParameterOptimization": {'ptq_algo': ['avg'], 'max_quant_count': 3}},
+    config={"Quantization": {}, "HyperParameterOptimization": {'ptq_algo': ['avg'], 'max_quant_count': 3}},
+    ### config={"Quantization": {}, "Distillation": {}}, ### 如果您的系统为Windows系统, 请使用当前这一行配置
     train_dataloader=train_loader,
     eval_dataloader=train_loader)
 ac.compress()
@@ -190,7 +193,7 @@ ac.compress()
 
   - 量化模型速度的测试依赖推理库的支持，所以确保安装的是带有TensorRT的PaddlePaddle。以下示例和展示的测试结果是基于Tesla V100、CUDA 10.2、Python3.7、TensorRT得到的。
 
-  - 使用以下指令查看本地cuda版本，并且在[下载链接](https://www.paddlepaddle.org.cn/inference/user_guides/download_lib.html#python)中下载对应cuda版本和对应python版本的paddlepaddle安装包。
+  - 使用以下指令查看本地cuda版本，并且在[下载链接](https://www.paddlepaddle.org.cn/inference/user_guides/download_lib.html#python)中下载对应cuda版本和对应python版本的PaddlePaddle安装包。
 
     ```shell
     cat /usr/local/cuda/version.txt ### CUDA Version 10.2.89

example/auto_compression/image_classification/README.md

@@ -143,7 +143,12 @@ python -m paddle.distributed.launch run.py --save_dir='./save_quant_mobilev1/' -
 
 - TensorRT预测：
 
-环境配置：如果使用 TesorRT 预测引擎，需安装 ```WITH_TRT=ON``` 的Paddle，下载地址：[Python预测库](https://paddleinference.paddlepaddle.org.cn/master/user_guides/download_lib.html#python)
+环境配置：如果使用 TesorRT 预测引擎，需安装的是带有TensorRT的PaddlePaddle，使用以下指令查看本地cuda版本，并且在[下载链接](https://www.paddlepaddle.org.cn/inference/user_guides/download_lib.html#python)中下载对应cuda版本和对应python版本的PaddlePaddle安装包。
+
+    ```shell
+    cat /usr/local/cuda/version.txt ### CUDA Version 10.2.89
+    ### 10.2.89 为cuda版本号，可以根据这个版本号选择需要安装的带有TensorRT的PaddlePaddle安装包。
+    ```
 
 ```shell
 python paddle_inference_eval.py \

example/auto_compression/nlp/README.md

@@ -31,12 +31,12 @@
 | ERNIE 3.0-Medium | 剪枝+量化训练| 74.17 | 56.84 | 59.75 | 80.54 | 76.03 | 76.97 | 80.80 | 72.16 |
 
 模型在不同任务上平均精度以及加速对比如下：
-|  模型 |策略| Accuracy（avg） | 时延(ms) | 加速比 |
-|:-------:|:--------:|:----------:|:------------:| :------:|
-|PP-MiniLM| Base模型|  72.81 | 128.01 | - |
-|PP-MiniLM| 剪枝+离线量化 |  72.44 | 17.97 | 7.12 |
-|ERNIE 3.0-Medium| Base模型| 73.09  | 29.25(fp16) | - |
-|ERNIE 3.0-Medium| 剪枝+量化训练 |  72.16 | 19.61 | 1.49 |
+|  模型 |策略| Accuracy（avg） | 预测时延<sup><small>FP32</small><sup><br><sup> | 预测时延<sup><small>FP16</small><sup><br><sup> | 预测时延<sup><small>INT8</small><sup><br><sup> | 加速比 |
+|:-------:|:--------:|:----------:|:------------:|:------:|:------:|:------:|
+|PP-MiniLM| Base模型|  72.81 | 94.49ms | 23.31ms | - |  - |
+|PP-MiniLM| 剪枝+离线量化 |  71.85 | - | - | 15.76ms | 5.99x |
+|ERNIE 3.0-Medium| Base模型| 73.09  | 89.71ms | 20.76ms | - | - |
+|ERNIE 3.0-Medium| 剪枝+量化训练 |  72.16 | - | - | 14.08ms | 6.37x |
 
 性能测试的环境为
 - 硬件：NVIDIA Tesla T4 单卡

paddleslim/auto_compression/compressor.py

@@ -316,7 +316,7 @@ class AutoCompression:
         if self.model_filename is None:
             opt_model_filename = '__opt_model__'
         else:
-            opt_model_filename = 'opt_' + self.model_filename
+            opt_model_filename = self.model_filename
         program_bytes = inference_program._remove_training_info(
             clip_extra=False).desc.serialize_to_string()
         with open(
@@ -553,8 +553,8 @@ class AutoCompression:
 
     def create_tmp_dir(self, base_dir, prefix="tmp"):
         # create a new temp directory in final dir
-        s_datetime = strftime("%Y_%m_%d_%H_%M_%S", gmtime())
-        tmp_base_name = "_".join([prefix, str(os.getpid()), s_datetime])
+        s_datetime = strftime("%Y_%m_%d_%H_%M", gmtime())
+        tmp_base_name = "_".join([prefix, str(os.getppid()), s_datetime])
         tmp_dir = os.path.join(base_dir, tmp_base_name)
         if not os.path.exists(tmp_dir):
             os.makedirs(tmp_dir)
@@ -585,10 +585,10 @@ class AutoCompression:
                 self.single_strategy_compress(quant_strategy[0],
                                               quant_config[0], strategy_idx,
                                               train_config)
-        tmp_model_path = os.path.join(
-            self.tmp_dir, 'strategy_{}'.format(str(strategy_idx + 1)))
-        final_model_path = os.path.join(self.final_dir)
         if paddle.distributed.get_rank() == 0:
+            tmp_model_path = os.path.join(
+                self.tmp_dir, 'strategy_{}'.format(str(strategy_idx + 1)))
+            final_model_path = os.path.join(self.final_dir)
             for _file in os.listdir(tmp_model_path):
                 _file_path = os.path.join(tmp_model_path, _file)
                 if os.path.isfile(_file_path):
@@ -718,7 +718,8 @@ class AutoCompression:
                     test_program_info.program._program)
             test_program_info = self._start_train(
                 train_program_info, test_program_info, strategy, train_config)
-            self._save_model(test_program_info, strategy, strategy_idx)
+            if paddle.distributed.get_rank() == 0:
+                self._save_model(test_program_info, strategy, strategy_idx)
 
     def _start_train(self, train_program_info, test_program_info, strategy,
                      train_config):
@@ -854,16 +855,17 @@ class AutoCompression:
     def export_onnx(self,
                     model_name='quant_model.onnx',
                     deploy_backend='tensorrt'):
-        infer_model_path = os.path.join(self.final_dir, self.model_filename)
-        assert os.path.exists(
-            infer_model_path), 'Not found {}, please check it.'.format(
-                infer_model_path)
-        onnx_save_path = os.path.join(self.final_dir, 'ONNX')
-        if not os.path.exists(onnx_save_path):
-            os.makedirs(onnx_save_path)
-        export_onnx(
-            self.final_dir,
-            model_filename=self.model_filename,
-            params_filename=self.params_filename,
-            save_file_path=os.path.join(onnx_save_path, model_name),
-            deploy_backend=deploy_backend)
+        if paddle.distributed.get_rank() == 0:
+            infer_model_path = os.path.join(self.final_dir, self.model_filename)
+            assert os.path.exists(
+                infer_model_path), 'Not found {}, please check it.'.format(
+                    infer_model_path)
+            onnx_save_path = os.path.join(self.final_dir, 'ONNX')
+            if not os.path.exists(onnx_save_path):
+                os.makedirs(onnx_save_path)
+            export_onnx(
+                self.final_dir,
+                model_filename=self.model_filename,
+                params_filename=self.params_filename,
+                save_file_path=os.path.join(onnx_save_path, model_name),
+                deploy_backend=deploy_backend)

tests/act/qat_dist_train.yaml

@@ -3,6 +3,7 @@ Quantization:
   quantize_op_types:
   - conv2d
   - depthwise_conv2d
+  onnx_format: True
 
 Distillation:
   alpha: 1.0

tests/act/test_act_api.py

@@ -119,6 +119,7 @@ class TestDictQATDist(ACTBase):
             train_dataloader=train_loader,
             eval_dataloader=train_loader)  # eval_function to verify accuracy
         ac.compress()
+        ac.export_onnx()
 
 
 class TestLoadONNXModel(ACTBase):