6.1.1. 简介

Horizon-Torch-Samples是基于Pytorch和Pytorch plugin的接口开发的算法工具，旨在为地平线BPU提供高效且用户友好的算法工具包。

Horizon-Torch-Samples所依赖的PyTorch是一个针对深度学习，并且使用GPU和CPU来优化的tensor library (张量库)，是目前最受欢迎的深度学习框架之一。而Pytorch plugin是基于Pytorch开发的一套量化算法工具，专注于与计算平台相贴近的量化功能实现，其量化算法与地平线计算平台深度耦合，利用该工具训练得到的量化模型均可以正常编译和运行在地平线BPU（BERNOULLI/BAYES）上。

Horizon-Torch-Samples作为地平线开发的算法包基础框架，面向所有的算法用户开发和研究的用户，其量化训练与地平线计算平台紧密相关，包含了 浮点训练 –> QAT 训练 –> 定点转化预测 –> 模型检查编译(针对地平线 BPU) –> 上板精度仿真验证 的整套流程。同时它还可以提供包含分类，检测，分割等常见的图像任务的SOTA(state-of-the-art)深度学习模型。

6.1.1.1. 特性

• 基于Pytorch。

• 包含分类、检测、分割等常见图像任务的SOTA模型，且所有示例都与地平线BPU兼容。

6.1.1.2. 示例模型

Horizon-Torch-Samples 目前已包含以下深度学习模型。

分类模型

• VargNet

• VargConvNet

• Efficientnasnetm

• Efficientnasnets

• EfficientNet

• MobileNetV1

• ResNet18

检测模型

• fcos efficientnetb0

• fcos efficientnetb1

• fcos efficientnetb2

• PointPillar

分割模型

• UNet

• deeplabv3plus efficientnetm0

• deeplabv3plus efficientnetm1

• deeplabv3plus efficientnetm2

• FastScnn

以上模型中， VargConvNet 、 Efficientnasnetm 、 Efficientnasnets 、 EfficientNet 、 ResNet18 、 deeplabv3plus efficientnetm0 、 deeplabv3plus efficientnetm1 、 deeplabv3plus efficientnetm2 和 FastScnn 只需要做calibration量化精度就能达到目标，详细精度参考model_zoo。