doc: use png to show table

ykl/AlexNet/README.md

@@ -3,12 +3,18 @@
 ## ptq部分
 
 + INT/POT/FLOAT量化都采用相同的框架，可以通过`quant_type`进行确定
+
 + 量化范围：均采用有符号对称量化，且将zeropoint定为0
+
 + 量化策略：在第一次forward执行伪量化，统计每层的x和weight范围；后续interface在卷积/池化层中使用量化后的值进行运算。量化均通过放缩至对应范围后从量化点列表取最近点进行实现。
+
 + bias说明：每种量化模式下，bias采用相同的量化策略(INT:32bit量化，POT:8bit量化，FP8:FP16-E7量化)。bias量化损失对结果影响小，该量化策略也对运算硬件实现影响不大，但是在代码实现上可以更加高效，故采用。（英伟达的量化策略甚至直接舍弃了bias）  
+
   + 关于量化策略设置，可以更改`module.py`中的`bias_qmax`函数和`utils.py`中的`build_bias_list`函数
   + 由于INT量化位宽较高，使用量化表开销过大，直接使用round_操作即可
+
 + 量化点选择：
+
   + INT：取INT2-INT16（INT16后相比全精度无损失）
   + POT：取POT2-POT8  （POT8之后容易出现Overflow）
   + FP8：取E1-E6 （E0相当于INT量化，E7相当于POT量化，直接取相应策略效果更好）
@@ -19,36 +25,7 @@
 
   FP32-acc：85.08
 
-  | title      | js_flops    | js_param    | ptq_acc | acc_loss    |
-  | ---------- | ----------- | ----------- | ------- | ----------- |
-  | INT_2      | 7507.750226 | 7507.750226 | 10      | 0.882463564 |
-  | INT_3      | 2739.698391 | 2739.698391 | 10.16   | 0.880582981 |
-  | INT_4      | 602.561331  | 602.561331  | 51.21   | 0.39809591  |
-  | INT_5      | 140.9219722 | 140.9219722 | 77.39   | 0.09038552  |
-  | INT_6      | 34.51721888 | 34.51721888 | 83.03   | 0.024094969 |
-  | INT_7      | 8.518508719 | 8.518508719 | 84.73   | 0.004113775 |
-  | INT_8      | 2.135373288 | 2.135373288 | 84.84   | 0.002820874 |
-  | INT_9      | 0.531941163 | 0.531941163 | 85.01   | 0.000822755 |
-  | INT_10     | 0.131627102 | 0.131627102 | 85.08   | 0           |
-  | INT_11     | 0.032495647 | 0.032495647 | 85.07   | 0.000117536 |
-  | INT_12     | 0.008037284 | 0.008037284 | 85.06   | 0.000235073 |
-  | INT_13     | 0.00204601  | 0.00204601  | 85.08   | 0           |
-  | INT_14     | 0.000418678 | 0.000418678 | 85.08   | 0           |
-  | INT_15     | 0.000132161 | 0.000132161 | 85.08   | 0           |
-  | INT_16     | 5.84143E-06 | 5.84143E-06 | 85.08   | 0           |
-  | POT_2      | 7507.667349 | 7507.667349 | 10      | 0.882463564 |
-  | POT_3      | 1654.377593 | 1654.377593 | 14.32   | 0.831687823 |
-  | POT_4      | 136.7401731 | 136.7401731 | 72.49   | 0.147978373 |
-  | POT_5      | 134.578297  | 134.578297  | 72.65   | 0.14609779  |
-  | POT_6      | 134.5784142 | 134.5784142 | 72.95   | 0.142571697 |
-  | POT_7      | 134.5783939 | 134.5783939 | 72.08   | 0.152797367 |
-  | POT_8      | 134.5782946 | 134.5782946 | 72.23   | 0.151034321 |
-  | FLOAT_8_E1 | 33.31638902 | 33.31638902 | 82.73   | 0.027621063 |
-  | FLOAT_8_E2 | 32.12034309 | 32.12034309 | 83.3    | 0.020921486 |
-  | FLOAT_8_E3 | 0.654188087 | 0.654188087 | 85.01   | 0.000822755 |
-  | FLOAT_8_E4 | 2.442034365 | 2.442034365 | 84.77   | 0.00364363  |
-  | FLOAT_8_E5 | 9.68811736  | 9.68811736  | 59.86   | 0.296426892 |
-  | FLOAT_8_E6 | 37.70544899 | 37.70544899 | 51.87   | 0.390338505 |
+  <img src="image/table.png" alt="table" style="zoom: 33%;" />
 
 + 数据拟合：
 
@@ -76,5 +53,4 @@
 
     - [x] center and scale
 
-    ![fig4](image/fig4.png)
-
+    ![fig4](image/fig4.png)
\ No newline at end of file

ykl/AlexNet/qat.py

 from model import *
-
+from utils import *
 import gol
 import sys
 import argparse
@@ -10,29 +10,6 @@ from torchvision import datasets, transforms
 import os
 import os.path as osp
 
-def build_list(num_bits,e_bits):
-    m_bits = num_bits - 1 - e_bits
-    plist = [0.]
-    # 相邻尾数的差值
-    dist_m = 2 ** (-m_bits)
-    e = -2 ** (e_bits - 1) + 1
-    for m in range(1, 2 ** m_bits):
-        frac = m * dist_m   # 尾数部分
-        expo = 2 ** e       # 指数部分
-        flt = frac * expo
-        plist.append(flt)
-        plist.append(-flt)
-
-    for e in range(-2 ** (e_bits - 1) + 2, 2 ** (e_bits - 1) + 1):
-        expo = 2 ** e
-        for m in range(0, 2 ** m_bits):
-            frac = 1. + m * dist_m
-            flt = frac * expo
-            plist.append(flt)
-            plist.append(-flt)
-    plist = torch.Tensor(list(set(plist)))
-    return plist
-
 
 def quantize_aware_training(model, device, train_loader, optimizer, epoch):
     lossLayer = torch.nn.CrossEntropyLoss()