- HAWQ2_fisher (greedy via empirical Fisher)
- OT_HAWQ_like (Sinkhorn OT with size-weighted marginals)
- OT_Fisher_Critical (same API; if no critical classes -> same as OT_HAWQ_like)
- DiffSinkhornDynamic (differentiable Sinkhorn with STE mixture + short QAT)
- SinkhornMCKPDynamic (MCKP (Chen et al. quadratic cost) + short QAT)
python eval_quant_methods.py --train_cifar10 --model resnet18 --train_epochs 2 --methods HAWQ2_fisher OT_HAWQ_like DiffSinkhornDynamic SinkhornMCKPDynamic --out_dir runs/cifar_res18
python eval_quant_methods.py --model resnet18 --imagenet_val /path/to/imagenet/val --methods HAWQ2_fisher OT_HAWQ_like --out_dir runs/imagenet_res18
python eval_quant_methods.py --train_cifar10 --bits 2 4 8 --avg_bits 4.5 --dynamic_steps 80
比較評価
python cross_eval.py
DETRを対象とした比較評価
python eval_DETR.py
- 重みのみ（per-tensor）量子化。精度を突き詰めるには activation 量子化や ACIQ/LSQ によるクリッピング推定、per-channel 量子化の追加を推奨。
- OT_Fisher_Critical は DETR などでクリティカル目的を組むと効果が出ます（分類で未指定なら 2) と同等）。
- DiffSinkhornDynamic/SinkhornMCKPDynamic は短時間 QAT（--dynamic_steps）で割当を学習→argmax で固定して評価しています。長めに回すと安定する
- 速度重視なら --methods で方式を絞る
- 必要に応じてactivation 量子化+ACIQ 版や DETR用loss callback（ハンガリアン + クリティカル目的）を追加
- MCKP Multiple-Choice Knapsack
- ACIQ (Analytical Clipping for Integer Quantization)
- LSQ (Learned Step Size Quantization)
- ハンガリアン（Kuhn–Munkres） DETR系で使う 1対1対応 の割り当て（バイパーティトマッチング）手法。各予測クエリと各GT（＋不要分の“空集合”）のコスト行列を作り、総コスト最小になる対応を見つける。
- クリティカル 重要クラスだけ特に落としたくない”という方針を損失に反映させる手法