[doc] Refine the docs of quantization (PaddlePaddle#705)

demo/mkldnn_quant/README.md

@@ -9,6 +9,9 @@
 - 在CPU上转换量化模型：在CPU上使用DNNL库转化量化模型为INT8模型。
 - 在CPU上部署预测：在CPU上部署样例并进行预测。
 
+参考资料：
+* PaddleInference Intel CPU部署量化模型[文档](https://paddle-inference.readthedocs.io/en/latest/optimize/paddle_x86_cpu_int8.html)
+
 ## 1. 准备
 
 #### 安装Paddle和PaddleSlim

demo/quant/deploy/TensorRT/README.md

@@ -8,6 +8,8 @@ NVIDIA TensorRT 是一个高性能的深度学习预测库，适用于Nvidia GPU
 - 产出量化模型：使用PaddleSlim量化训练或离线量化得到量化模型。注意模型中被量化的算子的参数值应该在INT8范围内，但是类型仍为float型。
 - 在Nvidia GPU上部署预测：在GPU上以INT8类型进行预测部署。
 
+参考资料：
+* PaddleInference NV GPU部署量化模型[文档](https://paddle-inference.readthedocs.io/en/latest/optimize/paddle_trt.html)
 
 ## 1. 准备环境
 

docs/zh_cn/deploy/deploy_cls_model_on_mobile_device.md

@@ -4,6 +4,8 @@
 
 Paddle Lite是飞桨轻量化推理引擎，为手机、IOT端提供高效推理能力，并广泛整合跨平台硬件，为端侧部署及应用落地问题提供轻量化的部署方案。
 
+参考资料：
+* PaddleLite部署量化模型[文档](https://paddle-lite.readthedocs.io/zh/latest/user_guides/quant_aware.html)
 
 ## 1. 准备环境
 

docs/zh_cn/quick_start/dygraph/dygraph_quant_aware_training_tutorial.md

@@ -6,8 +6,6 @@ PaddleSlim使用的是模拟量化训练方案，一般模拟量化需要先对
 
 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]()。
 
-> 注意：目前动态图量化训练还不支持有控制流逻辑的模型，如果量化训练中出现Warning，推荐使用静态图量化训练功能。
-
 该示例包含以下步骤：
 
 1. 导入依赖
@@ -70,6 +68,7 @@ model.evaluate(val_dataset, batch_size=256, verbose=1)
 ### 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.
@@ -82,6 +81,10 @@ quanter = QAT(config=quant_config)
 quanter.quantize(net)
 ```
 
+注意：
+* 目前PACT在线量化产出的量化模型，使用PaddleLite在ARM CPU上部署时，精度正确，但是使用PaddleInference在NV GPU和Intel CPU上部署时，可能存在精度问题。所以，请合理选择在线量化方法的种类。
+* 对于使用动态图QAT量化训练功能的模型，在组网时请不要使用`paddle.nn.functional.`下的API。
+
 ### 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：
@@ -108,4 +111,12 @@ quanter.save_quantized_model(
 
 导出之后，可以在`path`路径下找到导出的量化预测模型。
 
-量化预测模型可以使用`netron`软件打开，进行可视化查看。该量化预测模型和普通FP32预测模型一样，可以使用PaddleLite和PaddleInference加载预测，具体请参考`推理部署`章节。
+根据部署业务场景，可以使用PaddleLite将该量化模型部署到移动端（ARM CPU），或者使用PaddleInference将该量化模型部署到服务器端（NV GPU和Intel CPU）。
+
+导出的量化模型相比原始FP32模型，模型体积没有明显差别，这是因为量化预测模型中的权重依旧保存为FP32类型。在部署时，使用PaddleLite opt工具转换量化预测模型后，模型体积才会真实减小。
+
+部署参考文档：
+* 部署[文档](../../deploy/index.html)
+* PaddleLite部署量化模型[文档](https://paddle-lite.readthedocs.io/zh/latest/user_guides/quant_aware.html)
+* PaddleInference Intel CPU部署量化模型[文档](https://paddle-inference.readthedocs.io/en/latest/optimize/paddle_x86_cpu_int8.html)
+* PaddleInference NV GPU部署量化模型[文档](https://paddle-inference.readthedocs.io/en/latest/optimize/paddle_trt.html)

docs/zh_cn/quick_start/dygraph/dygraph_quant_post_tutorial.md

@@ -82,3 +82,15 @@ paddleslim.quant.quant_post_static(
         sample_generator=train_dataset,
         batch_nums=10)
 ```
+
+注意，目前离线量化方法还不支持存在控制流OP的模型。
+
+根据部署业务场景，可以使用PaddleLite将该量化模型部署到移动端（ARM CPU），或者使用PaddleInference将该量化模型部署到服务器端（NV GPU和Intel CPU）。
+
+导出的量化模型相比原始FP32模型，模型体积没有明显差别，这是因为量化预测模型中的权重依旧保存为FP32类型。在部署时，使用PaddleLite opt工具转换量化预测模型后，模型体积才会真实减小。
+
+部署参考文档：
+* 部署[文档](../../deploy/index.html)
+* PaddleLite部署量化模型[文档](https://paddle-lite.readthedocs.io/zh/latest/user_guides/quant_aware.html)
+* PaddleInference Intel CPU部署量化模型[文档](https://paddle-inference.readthedocs.io/en/latest/optimize/paddle_x86_cpu_int8.html)
+* PaddleInference NV GPU部署量化模型[文档](https://paddle-inference.readthedocs.io/en/latest/optimize/paddle_trt.html)

docs/zh_cn/quick_start/static/quant_aware_tutorial.md

@@ -21,7 +21,7 @@ paddle.enable_static()
 ```
 
 ## 2. 构建网络
-该章节构造一个用于对MNIST数据进行分类的分类模型，选用`MobileNetV1`，并将输入大小设置为`[1, 28, 28]`，输出类别数为10。               为了方便展示示例，我们在`paddleslim.models`下预定义了用于构建分类模型的方法，执行以下代码构建分类模型：
+该章节构造一个用于对MNIST数据进行分类的分类模型，选用`MobileNetV1`，并将输入大小设置为`[1, 28, 28]`，输出类别数为10。为了方便展示示例，我们在`paddleslim.models`下预定义了用于构建分类模型的方法，执行以下代码构建分类模型：
 
 
 
@@ -136,6 +136,7 @@ quant_program = slim.quant.quant_aware(train_program, exe.place, for_test=False)
 val_quant_program = slim.quant.quant_aware(val_program, exe.place, for_test=True)
 ```
 
+注意，静态图量化训练方法不支持有控制流OP的模型，请改用动态图量化训练方法。
 
 ## 5. 训练和测试量化后的模型
 微调量化后的模型，训练一个epoch后测试。
@@ -156,22 +157,26 @@ test(val_quant_program)
 
 ## 6. 保存量化后的模型
 
-在``4. 量化``中使用接口``slim.quant.quant_aware``接口得到的模型只适合训练时使用，为了得到最终使用时的模型，需要使用[slim.quant.convert](https://paddleslim.readthedocs.io/zh_CN/latest/api_cn/static/quant/quantization_api.html#convert)接口，然后使用[fluid.io.save_inference_model](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/static/save_inference_model_cn.html#save-inference-model)保存模型。``float_prog``的参数数据类型是float32，但是数据范围是int8, 保存之后可使用Paddle executor, PaddleInference predictor 和Paddle-Lite predictor加载执行。``int8_prog``的参数数据类型是int8, 保存后可看到量化后模型大小会减小，**该模型不可以用于预测部署**。
+在``4. 量化``中使用接口``slim.quant.quant_aware``接口得到的模型只适合训练时使用，为了得到最终使用时的模型，需要使用[slim.quant.convert](https://paddleslim.readthedocs.io/zh_CN/latest/api_cn/static/quant/quantization_api.html#convert)接口，然后使用[fluid.io.save_inference_model](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/static/save_inference_model_cn.html#save-inference-model)保存模型。
 
 
 ```python
-float_prog, int8_prog = slim.quant.convert(val_quant_program, exe.place, save_int8=True)
-target_vars = [float_prog.global_block().var(outputs[-1])]
+quant_infer_program = slim.quant.convert(val_quant_program, exe.place)
+target_vars = [quant_infer_program.global_block().var(outputs[-1])]
 paddle.static.save_inference_model(
-        path_prefix='./inference_model/float',
+        path_prefix='./quant_infer_model',
         feed_vars=[image],
         fetch_vars=target_vars,
         executor=exe,
         program=float_prog)
-paddle.static.save_inference_model(
-        path_prefix='./inference_model/int8',
-        feed_vars=[image],
-        fetch_vars=target_vars,
-        executor=exe,
-        program=int8_prog)
 ```
+
+根据业务场景，可以使用PaddleLite将该量化模型部署到移动端（ARM CPU），或者使用PaddleInference将该量化模型部署到服务器端（NV GPU和Intel CPU）。
+
+保存的量化模型相比原始FP32模型，模型体积没有明显差别，这是因为量化预测模型中的权重依旧保存为FP32类型。在部署时，使用PaddleLite opt工具转换量化预测模型后，模型体积才会真实减小。
+
+部署参考文档：
+* 部署[简介](../../deploy/index.html)
+* PaddleLite部署量化模型[文档](https://paddle-lite.readthedocs.io/zh/latest/user_guides/quant_aware.html)
+* PaddleInference Intel CPU部署量化模型[文档](https://paddle-inference.readthedocs.io/en/latest/optimize/paddle_x86_cpu_int8.html)
+* PaddleInference NV GPU部署量化模型[文档](https://paddle-inference.readthedocs.io/en/latest/optimize/paddle_trt.html)

docs/zh_cn/quick_start/static/quant_post_static_tutorial.md

@@ -140,7 +140,6 @@ paddle.static.save_inference_model(
 
 调用静态离线量化接口，加载文件夹``'./inference_model'``训练好的分类模型，并使用10个batch的数据进行参数校正。此过程无需训练，只需跑前向过程来计算量化所需参数。静态离线量化后的模型保存在文件夹``'./quant_post_static_model'``下。
 
-
 ```python
 slim.quant.quant_post_static(
         executor=exe,
@@ -152,6 +151,7 @@ slim.quant.quant_post_static(
         batch_nums=10)
 ```
 
+注意，目前离线量化方法还不支持存在控制流OP的模型。
 
 加载保存在文件夹``'./quant_post_static_model'``下的量化后的模型进行测试，可看到精度和``3.2 训练和测试``中得到的测试精度相近，因此静态离线量化过程对于此分类模型几乎无损。
 
@@ -162,3 +162,13 @@ quant_post_static_prog, feed_target_names, fetch_targets = paddle.static.load_in
         executor=exe)
 test(quant_post_static_prog, fetch_targets)
 ```
+
+根据部署业务场景，可以使用PaddleLite将该量化模型部署到移动端（ARM CPU），或者使用PaddleInference将该量化模型部署到服务器端（NV GPU和Intel CPU）。
+
+保存的量化模型相比原始FP32模型，模型体积没有明显差别，这是因为量化预测模型中的权重依旧保存为FP32类型。在部署时，使用PaddleLite opt工具转换量化预测模型后，模型体积才会真实减小。
+
+部署参考文档：
+* 部署[简介](../../deploy/index.html)
+* PaddleLite部署量化模型[文档](https://paddle-lite.readthedocs.io/zh/latest/user_guides/quant_aware.html)
+* PaddleInference Intel CPU部署量化模型[文档](https://paddle-inference.readthedocs.io/en/latest/optimize/paddle_x86_cpu_int8.html)
+* PaddleInference NV GPU部署量化模型[文档](https://paddle-inference.readthedocs.io/en/latest/optimize/paddle_trt.html)