如何获取pytorch的动态图？
model = torch.jit.load("test.pth")
graph = model.graph.copy()
torch._C._jit_pass_inline(graph)
node_list = graph.nodes()加载模型后，获取模型的graph，这个graph就是需要的动态图。graph node就是计算图的计算节点（有序）,关于各个层的相关参数都可以从node节点中获取，各个参数的相对位置需要查找一下该op的实现。
需要注意的是，需要使用 _jit_pass_inline来将graph的sub module展开。
如何获取pytorch的权重等参数？
对于非量化模型：
可以通过named_parameters或者state_dict获取。
对于量化模型：
在一次次的尝试和接口的设置中终于找到了！！！
a = 0
for model_name, module in model.named_modules():
print(model_name)
print(module)
if a == 2:
mod_c = module._c
#print(mod_c.dump())
param = module.__getattr__('_packed_params')
print(param)
print(type(param))
print(dir(param))
print(param._method_names())
weight,bias = param.unpack()
print(bias)
break
else:
a = a + 1首先可查看model的各个attribute的内容，方便后续直接getattr，这个过程可通过_c属性获得，然后将获得的属性值dump出来就可查看各个子module的所有内容，然后根据需要就可以获取想要的属性了。
解析时遇到以下问题：
1、权重的layout如何确定？
通过shape属性可以获取Tensor的shape，通过Tensor.storage()可以获取Tensor里的值，通过Tensor.layout可以获取数据布局。也就是说这个Tensor的值是通过.layout的布局方式来排列，并没有按照shape的顺序来排列。
解析的模型layout是torch.strided，这种布局是按照stride来排列的，这种解释还是比较模糊。
假设3x3卷积的权重的shape为[32,3,3,3]（nchw），通过Tensor.stride（）就可以获取各个维度的stride信息。权重的stride信息为[27,1,9,3]（nchw），含义是：每跨一个n，步长为27，每跨一个c，步长为1，每跨一个h，步长为9，每跨一个w，步长为3。这样也就意味着排列顺序是nhwc，所以解析的时候需要按照框架要求进行转换。
2、权重是int8，解析后的框架是uint8，如何使之能适用于uint8的框架?
看了下量化计算的实现：如果计算是需要减去zeropoint，即计算的时候使用value-zeropoint的值参与计算，那么就可以将权重的所有值都加一个128（int8最小值为-128）,zeropoint的值也得加128就可以了
3、quant和dequant op做了啥事情？
pytorch的每个量化tensor存的数据其实还是float数据，在通过storage获取数据时会将其按照scale/zeropoint量化成int8数据。
quant op做的事情：input / scale + zeropoint，将float转换为uint8数据，再将uint8数据反量化后存下来：(input - zeropoint) * scale。即quant op做了量化反量化的事情，将一个float Tensor转换为一个int8 scale tensor。
dequant op就做了一个反量化操作：(input - zeropoint) * scale