Add dygraph quant quick start (#626)

* add dygraph quant quick start

* add post quant quick start

* quant quick start doc refine

* fix doc

* fix doc

* move quick start to right path

* fix index

docs/zh_cn/quick_start/dygraph_quant_aware_training_tutorial.md

+#  图像分类模型量化训练-快速开始
+
+量化训练要解决的问题是将FP32浮点数量化成INT8整数进行存储和计算，通过在训练中建模量化对模型的影响，降低量化误差。
+
+PaddleSlim使用的是模拟量化训练方案，一般模拟量化需要先对网络计算图进行一定的处理，先在需要量化的算子前插入量化-反量化节点，再经过finetune训练减少量化运算带来的误差，降低量化模型的精度损失。
+
+下面该教程将以图像分类模型MobileNetV1为例，说明如何快速使用[PaddleSlim的模型量化接口]()。
+
+该示例包含以下步骤：
+
+1. 导入依赖
+2. 构建模型和数据集
+3. 进行预训练
+4. 量化训练
+5. 导出预测模型
+
+以下章节依次次介绍每个步骤的内容。
+
+## 1. 导入依赖
+
+请参考PaddleSlim安装文档，安装正确的Paddle和PaddleSlim版本，然后按以下方式导入Paddle和PaddleSlim:
+
+```python
+import paddle
+import paddle.vision.models as models
+from paddle.static import InputSpec as Input
+from paddle.vision.datasets import Cifar10
+import paddle.vision.transforms as T
+from paddleslim.dygraph.quant import QAT
+```
+
+## 2. 构建网络和数据集
+
+该章节构造一个用于对CIFAR10数据进行分类的分类模型，选用`MobileNetV1`，并将输入大小设置为`[3, 32, 32]`，输出类别数为10。
+为了方便展示示例，我们使用Paddle高层API提供的预定义[mobilenetv1分类模型](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/api/paddle/vision/models/mobilenetv1/MobileNetV1_cn.html#mobilenetv1)。
+调用`model.prepare`配置模型所需的部件，比如优化器、损失函数和评价指标，API细节请参考[文档](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/api/paddle/hapi/model/Model_cn.html#prepare-optimizer-none-loss-function-none-metrics-none)
+
+```python
+net = models.mobilenet_v1(pretrained=False, scale=1.0, num_classes=10)
+inputs = [Input([None, 3, 32, 32], 'float32', name='image')]
+labels = [Input([None, 1], 'int64', name='label')]
+optimizer = paddle.optimizer.Momentum(
+        learning_rate=0.1,
+        parameters=net.parameters())
+model = paddle.Model(net, inputs, labels)
+model.prepare(
+        optimizer,
+        paddle.nn.CrossEntropyLoss(),
+        paddle.metric.Accuracy(topk=(1, 5)))
+
+transform = T.Compose([T.Transpose(), T.Normalize([127.5], [127.5])])
+train_dataset = Cifar10(mode='train', backend='cv2', transform=transform)
+val_dataset = Cifar10(mode='test', backend='cv2', transform=transform)
+```
+
+## 3. 进行预训练
+
+对模型进行预训练，为之后的量化做准备。
+执行以下代码对模型进行预训练
+```python
+model.fit(train_dataset, epochs=5, batch_size=256, verbose=1)
+model.evaluate(val_dataset, batch_size=256, verbose=1)
+```
+
+
+## 4. 量化训练
+
+### 4.1 将模型转换为模拟量化模型
+
+当使用普通在线量化时`weight_preprocess_type` 用默认设置None即可，当需要使用PACT在线量化时，则设置为'PACT'。
+```python
+quant_config = {
+    # weight preprocess type, default is None and no preprocessing is performed.
+    'weight_preprocess_type': None,
+    # for dygraph quantization, layers of type in quantizable_layer_type will be quantized
+    'quantizable_layer_type': ['Conv2D', 'Linear'],
+}
+
+quanter = QAT(config=quant_config)
+quanter.quantize(net)
+```
+
+### 4.2 训练量化模型
+
+在这里我们对量化模型进行finetune训练，我们可以看到量化训练得到的模型与原模型准确率十分接近，代码如下所示：
+
+```python
+model.fit(train_dataset, epochs=2, batch_size=256, verbose=1)
+model.evaluate(val_dataset, batch_size=256, verbose=1)
+```
+
+在量化训练得到理想的量化模型之后，我们可以将其导出用于预测部署。
+
+
+## 5. 导出预测模型
+
+通过以下接口，可以直接导出量化预测模型：
+
+```python
+path="./quant_inference_model"
+quanter.save_quantized_model(
+    net,
+    path,
+    input_spec=inputs)
+```
+
+导出之后，可以在`path`路径下找到导出的量化预测模型

docs/zh_cn/quick_start/dygraph_quant_post_tutorial.md

+#  图像分类模型离线量化-快速开始
+
+离线量化又称为训练后量化，仅需要使用少量校准数据，确定最佳的量化参数降低量化误差。这种方法需要的数据量较少，但量化模型精度相比在线量化稍逊。
+
+下面该教程将以图像分类模型MobileNetV1为例，说明如何快速使用[PaddleSlim的模型量化接口]()。
+
+该示例包含以下步骤：
+
+1. 导入依赖
+2. 构建模型和数据集
+3. 进行预训练
+4. 量化训练
+5. 导出预测模型
+
+以下章节依次次介绍每个步骤的内容。
+
+## 1. 导入依赖
+
+请参考PaddleSlim安装文档，安装正确的Paddle和PaddleSlim版本，然后按以下方式导入Paddle和PaddleSlim:
+
+```python
+import paddle
+import paddle.vision.models as models
+from paddle.static import InputSpec as Input
+from paddle.vision.datasets import Cifar10
+import paddle.vision.transforms as T
+from paddleslim.dygraph.quant import QAT
+```
+
+## 2. 构建网络和数据集
+
+该章节构造一个用于对CIFAR10数据进行分类的分类模型，选用`MobileNetV1`，并将输入大小设置为`[3, 32, 32]`，输出类别数为10。
+为了方便展示示例，我们使用Paddle高层API提供的预定义[mobilenetv1分类模型](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/api/paddle/vision/models/mobilenetv1/MobileNetV1_cn.html#mobilenetv1)。
+调用`model.prepare`配置模型所需的部件，比如优化器、损失函数和评价指标，API细节请参考[文档](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/api/paddle/hapi/model/Model_cn.html#prepare-optimizer-none-loss-function-none-metrics-none)
+
+```python
+net = models.mobilenet_v1(pretrained=False, scale=1.0, num_classes=10)
+inputs = [Input([None, 3, 32, 32], 'float32', name='image')]
+labels = [Input([None, 1], 'int64', name='label')]
+optimizer = paddle.optimizer.Momentum(
+        learning_rate=0.1,
+        parameters=net.parameters())
+model = paddle.Model(net, inputs, labels)
+model.prepare(
+        optimizer,
+        paddle.nn.CrossEntropyLoss(),
+        paddle.metric.Accuracy(topk=(1, 5)))
+transform = T.Compose([T.Transpose(), T.Normalize([127.5], [127.5])])
+train_dataset = Cifar10(mode='train', backend='cv2', transform=transform)
+val_dataset = Cifar10(mode='test', backend='cv2', transform=transform)
+```
+
+## 3. 进行预训练
+
+对模型进行预训练，为之后的量化做准备。
+执行以下代码对模型进行预训练
+```python
+model.fit(train_dataset, epochs=5, batch_size=256, verbose=1)
+model.evaluate(val_dataset, batch_size=256, verbose=1)
+```
+
+训练完成后导出预测模型:
+```python
+paddle.jit.save(net, "./fp32_inference_model", input_spec=[inputs])
+```
+
+
+## 4.离线量化
+
+调用slim接口将原模型转换为离线量化模型, 导出的模型可以直接用于预测部署：
+
+```python
+paddle.enable_static()
+place = paddle.CPUPlace()
+exe = paddle.static.Executor(place)
+paddleslim.quant.quant_post_static(
+        executor=exe,
+        model_dir='./',
+        model_filename='fp32_inference_model.pdmodel',
+        params_filename='fp32_inference_model.pdiparams',
+        quantize_model_path='./quant_post_static_model',
+        sample_generator=train_dataset,
+        batch_nums=10)
+```

docs/zh_cn/quick_start/index.rst

@@ -5,5 +5,7 @@
 .. toctree::
    :maxdepth: 1
    static/index.rst
-   pruning_tutorial.md
+   dygraph_pruning_tutorial.md
+   dygraph_quant_aware_training_tutorial.md
+   dygraph_quant_post_tutorial.md