工具与软件：
我开发了一个不使用图像作为输入的序列模型。
因此、网络输入采用浮点格式。
但是、TI 的默认深度学习架构是专为基于图像的模型设计的。
要在此环境中将浮点值输入到模型中、我使用了以下方法：
我检查了输入值范围并将其归一化、以适应0至255的范围。
例如、如果输入浮点值的范围是0到1、我会将std转换设置中的设置为1/255。
然后、在 C 代码中、我在将输入浮点值馈入网络之前将其乘以255。
这可以正常工作、因为std的1/255应用于配置cfg()中。
但是、8位表示法不符合浮点输入的范围要求、因为使用可表达式的最大值1/255是有限的。
如果有什么办法、请告诉我。
您好！
感谢您的答复。
我想提供更详细的信息并请您提供反馈。
例如、我想输入1D 值、其输入分布范围为0至255。 但是、我需要更高的精度、例如0.1、0.2或0.6。 使用uint8似乎对我的要求太有限。
是否可以用于uint16输入而不是uint8？ 具体而言、我可以使用输入0到65535范围内的值uint16吗？
如果可以、我可以在 PTQ 期间输入16位数据吗？
即使在将数据存储为原始16位时、也好像 PTQ 过程不会正确地将其识别为16位输入。 您能否说明一下这是否受支持？
这是一个单独的问题。 我使用 QAT (量化感知培训)训练了一个模型、并使用以下设置对其进行了配置：
https://github.com/TexasInstruments/edgeai-tensorlab/blob/main/edgeai-modelzoo/models/vision/classification/imagenet1k/edgeai-tv2/mobilenet_v2_lite_wt-v2_qat-v2-wc8-at8_20231120_model_config.yaml
input_mean:
- 123.675
- 116.28
- 103.53
input_scale:
- 0.017125
- 0.017507
- 0.017429
runtime_options:
tensor_bits: 8
accuracy_level: 0
advanced_options:high_resolution_optimization: 0
advanced_options:pre_batchnorm_fold: 1
advanced_options:calibration_frames: 1
advanced_options:calibration_iterations: 1
advanced_options:quantization_scale_type: 4
advanced_options:activation_clipping: 1
advanced_options:weight_clipping: 1
advanced_options:bias_calibration: 1
advanced_options:output_feature_16bit_names_list: ''
advanced_options:params_16bit_names_list: ''
advanced_options:add_data_convert_ops: 3
advanced_options:prequantized_model: 1
info:
prequantized_model_type: 2以这种方式配置时、模型似乎接受float输入、如附加图像所示。 
在 TI 的 C 代码中、是否可以输入float数据？ 如果是、您能否就如何实现这一点提供指导？
感谢您的支持、我期待您的答复。
此致、
我认为有3种方法可以更改模型
github.com/.../edgeai-tidl-tools
TIDL-RT、OSRT
1) TIDL-RT 更改为 tidl_model_import.out
2) 2) OSRT 更改为 onnxrt_ep.py
github.com/.../edgeai-tensorlab
3)这里的 edgeai-benchmark
我还没有试过
我在这里可以用什么来解决上述问题？
-我不认为 tidl_model_import.out 是 QAT 转换本身。 对吗？
-我转换了 QAT 样本模型,输入是浮点的。
(tda4al 板)是否可以在 tidl qnxc 代码中将浮点作为输入？