目前在 XJ3 浮点转化工具链中，我们为每一个示例模型都提供了一个 yaml 配置文件。有些初次接触的小伙伴可能对于其中某些配置项并没有很好地理解，从而达不到自己预期的性能或精度指标，甚至直接就踩了坑。
下面我将以 efficientnet_lite0 模型为例，分别为大家解读下性能和精度相关的配置参数。
【性能相关】
1） layer_out_dump
该参数服务于 vec_diff 工具（samples/05_miscellaneous/03_vector_diff），打开后会为每一层卷积添加一个输出节点，如下图所示。该功能主要用于逐层比较浮点、量化、混合模型 featuremap 的相似度。
除了调试工作外，正常情况我们应该默认关闭该参数，否则那么多的输出节点肯定会造成很大的性能下降，带宽压力也急剧上升。
2） output_layout
目前默认情况下，我们是不需要手动配置该参数的（配置为 None 即可），工具链内部会自动解析原始浮点模型，保持其原有的 layout 输出。
不过在我们提供的检测模型示例中，大部分都强制配置成了 NHWC，其目的是为了更好地适配我们的后处理逻辑，以达到更好的整体性能。
所以如果基于我们的检测示例 yaml 进行改写的话，需要关注该参数，如果不需要强制转换应该配置为 None，否则可能会引入额外的 transpose（如果模型为多输出，那么性能损失将更大）。
3） compile_mode
该参数用于选择编译器的优化方法，正常情况下我们会以性能优先，即配置为 ‘latency’；
对于比较重型、featuremap 比较大的模型来说，根据实际情况可能需要配置成 ‘bandwidth’，以降低带宽压力，不过相应的性能指标也会有所降低。
4）debug
该参数开启后会得到更加丰富的仿真信息，可以看到在 html 静态性能文件中多出了 layer 级别的仿真信息，如果关闭该参数则没有。
不过开启该参数，也会使得模型本身包含更多的参数信息，对最终的性能就会造成一定的降低。
5）core_num
该参数主要用于配置模型的运行模式。详细说明可参考我们的 FAQ 文档 《FAQ-2-08：单帧单核，单帧双核两种工作模式解析》
6）optimize_level
该参数用于配置编译器的优化等级，O0 到 O3 优化效果逐步提高，但其编译时间也越来越长。
一般我们可能会基于 O0～O2 等级进行模型转换成功率和精度的快速验证，而正式上板测试性能则应该用 O3 来获取最佳指标。
【精度相关】
1）input_type_rt
该参数为模型本身训练时的数据类型，如果误将 rgb/rgbp 配置成 bgr/bgrp 就会造成一定程度的精度损失（一般 5%～10% 左右），而且问题定位还比较难。所以我们应该首先确认该参数配置是否准确。
2）mean_value 和 scale_value
mean_value 和 scale_value 本身并不难配置，主要的踩坑点是可能会和数据预处理存在重复操作的问题。
如果我们在 yaml 中配置了这两项参数，并且通过 norm_type 参数进行了使能，那么我们在模型编译过程中，就会将其作为预处理节点插入到模型前端，以获得更高效的性能。
此时我们在校准数据集或验证/测试集上，就无需再做归一化了。如果进行了重复操作，则其整个数据分布都不正确，精度自然会受到严重影响。
3）cal_data_dir
校准数据集的选择其实对于后量化方法一直有点玄学。不过常规思路还是选择 20～100张左右覆盖典型场景的数据。
数量过多/过少、未覆盖典型场景、包含无效数据（如全黑全白）等可能会造成一定的精度损失。
4）calibration_type
该参数指定模型的校准方法，我们默认提供 max 和 kl 两种，他们在不同类型的模型上表现不一，大家可以自行测试一下。
5）max_percentile
高阶参数 1，非产品化交付功能，主要用于精度调优。
该参数需搭配 max 校准进行使用，是一种以 max 最大值的分位数来选择量化 threshold 的方法。在某些场景的模型上表现比较好。
6）per_channel
高阶参数 2，非产品化交付功能，主要用于精度调优。
该参数可搭配任意一种量化方法进行使用，如 kl、max、max + max_percentile。是一种逐 channel 选择 threshold 的方法，在某些场景的模型上表现比较好。
