在使用X3J3浮点转定点工具链时，偶尔会出现生成的量化上板模型的精度有损失，不符合期望的情况。研发团队根据大量的模型调试和长期的客户精度支持的经验，提供了各种精度优化的方法。在这篇帖子中，我们详细描述了在出现精度问题时，如何进行定位和优化。
根据经验，我们将精度损失问题分成两组：
1. 精度有较明显损失（损失大于5%）：这种问题往往是由于yaml配置不当，校验数据集不均衡等导致的
2. 精度损失较小（1.5%~3%）：出现这种精度损失往往是由于模型自身的敏感性导致
针对上面的两种情况，我们分别提供下列检查方法：
一、精度有明显损失（4%以上）
通常情况下，精度较大损失是由于各种配置不当引起的。可以按照下面的顺序逐一检查：
1. pipeline检查：首先建议检查自己的评测pipeline，metric指标，后处理等代码已经发生改动但没有及时更新。
2. yaml配置检查：yaml的配置对于不熟悉工具链使用的客户可能会是一个易错点，所以在确保pipeline流程无误后，需要再次检查yaml的配置包括：
a). input_type_rt、input_type_train: 该参数用来区分模型训练时和模型上板时的图片数据格式，需要认真检查是否符合预期，尤其是GBR和RGB格式是否正确
b). mean、scale 等参数是否配置正确：通过yaml配置可以直接在模型中插入mean和scale操作节点，需要确认是否对校验/测试图片进行了重复的 mean 和 scale 操作。重复预处理是错误的易发区。
c). preprocess_on开关是否开启：决定了是否对校准图片进行resize以及颜色转换
3. 一致性检查：图片读取方式一致性检查：工具链提供两种图片读取方法skimage和opencv，而且两种方法在输出的范围和格式上都有所区别。（对于skimage的图片读取，输出的是RGB&取值范围为0~1的float，而对于opencv，输出的是BGR&取值范围为0~255的uint8）
4. quantized.onnx和上板模型一致性检查：推荐直接在python中运行quantized.onnx模型并评测精度的客户
5. 校验图片集是否合理设置：校准图片集最好可以覆盖到数据分布的各种场合，例如在多任务或多分类时，校验图片集可以覆盖到各个预测分支或者各个类别。
二、精度有较小损失，但仍然想要提高
一般这种情况的精度损失在1.5%到3%。这种情况可以尝试使用如下方法提高精度：
1. 默认情况下yaml配置的校准方法为KL，可以将提供的多种校准方法分别进行尝试：
a). 使用max校准
b). 使用max + max_percentile校准并将max_percentile参数配置为0.99999， 0.99995， 0.9999， 0.9998，0.9995分别进行尝试
c). 打开perchannel选项，perchannel选项可以分别配合max或kl形成perchannel+max；perchannel+kl；perchannel+max_percentile等多种组合形式
2. 尝试配置校验编译选项为search方法（search方法目前在优化开发中，后续会提供稳定版本）
往往在客户尝试多种kl，max-percentile，perchannel等校准配置后，都可以得到符合客户期望的精度提升